‘No negatives needed’: weakly-supervised regression for interpretable tumor detection in whole-slide histopathology images

要約

デジタル病理学における正確な腫瘍検出全スライド画像（WSI）は、がんの診断と治療計画に不可欠です。
複数のインスタンス学習（MIL）は、手動注釈を必要とせずに、大規模なデータを使用して、弱く監視された腫瘍検出のために広く使用されているアプローチとして浮上しています。
ただし、従来のMIL方法は、多くの場合、腫瘍を含まない症例を否定的な例として必要とする分類タスクに依存します。これは、特に外科的切除標本について、実際の臨床ワークフローで得るのが困難です。
腫瘍検出を回帰タスクとして再定式化することにより、この制限に対処し、複数の癌タイプで臨床的に利用可能な標的であるWSIから腫瘍の割合を推定します。
この論文では、複数の臓器、標本タイプ、臨床シナリオに適用することにより、提案されている弱体化された回帰フレームワークの分析を提供します。
私たちは、騒々しい退行ターゲットとしての腫瘍の割合に対するフレームワークの堅牢性を特徴づけ、小さな腫瘍領域から学習するときに腫瘍検出感度を改善するための増幅技術の新しい概念を導入します。
最後に、視覚的な注意とロジットマップを分析することにより、モデルの予測に関する解釈可能な洞察を提供します。
当社のコードは、https：//github.com/diagnijmegen/tumor-percentage-mil-regressionで入手できます。

要約(オリジナル)

Accurate tumor detection in digital pathology whole-slide images (WSIs) is crucial for cancer diagnosis and treatment planning. Multiple Instance Learning (MIL) has emerged as a widely used approach for weakly-supervised tumor detection with large-scale data without the need for manual annotations. However, traditional MIL methods often depend on classification tasks that require tumor-free cases as negative examples, which are challenging to obtain in real-world clinical workflows, especially for surgical resection specimens. We address this limitation by reformulating tumor detection as a regression task, estimating tumor percentages from WSIs, a clinically available target across multiple cancer types. In this paper, we provide an analysis of the proposed weakly-supervised regression framework by applying it to multiple organs, specimen types and clinical scenarios. We characterize the robustness of our framework to tumor percentage as a noisy regression target, and introduce a novel concept of amplification technique to improve tumor detection sensitivity when learning from small tumor regions. Finally, we provide interpretable insights into the model’s predictions by analyzing visual attention and logit maps. Our code is available at https://github.com/DIAGNijmegen/tumor-percentage-mil-regression.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google