Self-supervised learning in non-small cell lung cancer discovers novel morphological clusters linked to patient outcome and molecular phenotypes

要約

組織病理学的画像は、病理医が悪性疾患を特定および細分類し、治療法の選択を導くために使用する情報を含む、癌診断の決定的な情報源を提供します。
これらの画像には膨大な量の情報が含まれており、その多くは現在人間が解釈することはできません。
教師あり深層学習アプローチは分類タスクに強力ですが、注釈のコストと品質によって本質的に制限されます。
したがって、私たちは、注釈を必要とせず、小さな画像タイル内の識別可能な画像の特徴の自己発見を介して動作する、教師なし方法論である組織形態学的表現型学習を開発しました。
タイルは形態学的に類似したクラスターにグループ化され、自然淘汰の下で出現する腫瘍成長の再発モードを表すように見えます。
これらのクラスターには、直交法を使用して識別できる明確な機能があります。
肺癌組織に適用すると、それらが患者の転帰、組織病理学的に認識された腫瘍の種類と成長パターン、および免疫表現型のトランスクリプトミクス測定と密接に一致することを示します。

要約(オリジナル)

Histopathological images provide the definitive source of cancer diagnosis, containing information used by pathologists to identify and subclassify malignant disease, and to guide therapeutic choices. These images contain vast amounts of information, much of which is currently unavailable to human interpretation. Supervised deep learning approaches have been powerful for classification tasks, but they are inherently limited by the cost and quality of annotations. Therefore, we developed Histomorphological Phenotype Learning, an unsupervised methodology, which requires no annotations and operates via the self-discovery of discriminatory image features in small image tiles. Tiles are grouped into morphologically similar clusters which appear to represent recurrent modes of tumor growth emerging under natural selection. These clusters have distinct features which can be identified using orthogonal methods. Applied to lung cancer tissues, we show that they align closely with patient outcomes, with histopathologically recognised tumor types and growth patterns, and with transcriptomic measures of immunophenotype.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google