End-to-end Learning for Image-based Detection of Molecular Alterations in Digital Pathology

要約

デジタルパソロジーにおける全スライド画像（WSI）の分類のための現在のアプローチは、主に2段階の学習パイプラインを利用しています。
第1段階では、関心のある領域（腫瘍組織など）を特定し、第2段階では、これらの領域からトリミングされたタイルを監視された方法で処理します。
推論中に、多数のタイルが組み合わされて、スライド全体の統一された予測が行われます。
このようなアプローチの主な欠点は、臨床ルーチンでは取得されないタスク固有の補助ラベルが必要になることです。
エンドツーエンドでトレーニング可能で、補助的な注釈を必要としない、WSI分類のための新しい学習パイプラインを提案します。
私たちは、結腸直腸腫瘍におけるマイクロサテライト不安定性の検出や、癌ゲノムアトラスからの結腸癌、肺癌、および乳癌の症例の特定の突然変異の予測を含む、多くの異なるユースケースの分子変化を予測するために私たちのアプローチを適用します。
結果は最大94％のAUCスコアに達し、最先端の2段階パイプラインと競合することが示されています。
私たちのアプローチは、デジタルパソロジーの将来の研究を促進し、癌の表現型の予測に関するさまざまな問題の解決に貢献し、将来、より多くの患者に個別化された治療を可能にすることができると信じています。

要約(オリジナル)

Current approaches for classification of whole slide images (WSI) in digital pathology predominantly utilize a two-stage learning pipeline. The first stage identifies areas of interest (e.g. tumor tissue), while the second stage processes cropped tiles from these areas in a supervised fashion. During inference, a large number of tiles are combined into a unified prediction for the entire slide. A major drawback of such approaches is the requirement for task-specific auxiliary labels which are not acquired in clinical routine. We propose a novel learning pipeline for WSI classification that is trainable end-to-end and does not require any auxiliary annotations. We apply our approach to predict molecular alterations for a number of different use-cases, including detection of microsatellite instability in colorectal tumors and prediction of specific mutations for colon, lung, and breast cancer cases from The Cancer Genome Atlas. Results reach AUC scores of up to 94% and are shown to be competitive with state of the art two-stage pipelines. We believe our approach can facilitate future research in digital pathology and contribute to solve a large range of problems around the prediction of cancer phenotypes, hopefully enabling personalized therapies for more patients in future.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google