Predicting Ovarian Cancer Treatment Response in Histopathology using Hierarchical Vision Transformers and Multiple Instance Learning

要約

多くの患者にとって、現在の卵巣がん治療は臨床上の利益が限られています。
一部の治療法では、患者の反応を予測することが不可能であり、治療効果が得られずに治療の副作用にさらされる可能性があります。
組織病理学的画像を使用した卵巣がんの治療効果の自動予測 (ATEC23) チャレンジの一環として、抗血管新生薬ベバシズマブを含む一連の治療が寛解に寄与するか、少なくとも疾患の進行を予防できるかどうかを予測する深層学習の有効性を評価しました。
78 人の卵巣がん患者からの 282 枚の組織病理スライド画像 (WSI) のセットの 6 か月分。
私たちのアプローチでは、事前トレーニング済みの階層イメージ ピラミッド トランスフォーマー (HIPT) を使用して領域レベルの特徴を抽出し、注意ベースの複数インスタンス学習 (ABMIL) モデルを使用して特徴を集約し、スライド全体を分類しました。
最適な HIPT-ABMIL モデルの内部バランス精度は 60.2% +- 2.9%、AUC は 0.646 +- 0.033 でした。
組織病理学固有のモデルの事前トレーニングは分類パフォーマンスに有益であることが判明しましたが、階層トランスフォーマーはそうではなく、ResNet 特徴抽出ツールでは同様のパフォーマンスを達成しました。
データセットが小さく、非常に異質であるため、パフォーマンスは 5 分割交差検証フォールド間でばらつきがあり、フォールド内の検証セットとテスト セットのパフォーマンスの間には極端な差がいくつかありました。
このモデルは組織マイクロアレイにうまく一般化できず、精度はランダムな偶然よりも悪かった。
卵巣がんの WSI に治療反応を正確に予測するために使用できる情報が含まれているかどうかはまだ明らかではなく、より大規模で高品質のデータセットを使用したさらなる検証が必要です。

要約(オリジナル)

For many patients, current ovarian cancer treatments offer limited clinical benefit. For some therapies, it is not possible to predict patients’ responses, potentially exposing them to the adverse effects of treatment without any therapeutic benefit. As part of the automated prediction of treatment effectiveness in ovarian cancer using histopathological images (ATEC23) challenge, we evaluated the effectiveness of deep learning to predict whether a course of treatment including the antiangiogenic drug bevacizumab could contribute to remission or prevent disease progression for at least 6 months in a set of 282 histopathology whole slide images (WSIs) from 78 ovarian cancer patients. Our approach used a pretrained Hierarchical Image Pyramid Transformer (HIPT) to extract region-level features and an attention-based multiple instance learning (ABMIL) model to aggregate features and classify whole slides. The optimal HIPT-ABMIL model had an internal balanced accuracy of 60.2% +- 2.9% and an AUC of 0.646 +- 0.033. Histopathology-specific model pretraining was found to be beneficial to classification performance, though hierarchical transformers were not, with a ResNet feature extractor achieving similar performance. Due to the dataset being small and highly heterogeneous, performance was variable across 5-fold cross-validation folds, and there were some extreme differences between validation and test set performance within folds. The model did not generalise well to tissue microarrays, with accuracy worse than random chance. It is not yet clear whether ovarian cancer WSIs contain information that can be used to accurately predict treatment response, with further validation using larger, higher-quality datasets required.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google