Patient-level Microsatellite Stability Assessment from Whole Slide Images By Combining Momentum Contrast Learning and Group Patch Embeddings

要約

患者の結腸直腸癌のマイクロサテライト安定性状態を評価することは、治療体制を個別化する上で非常に重要です。
最近、転移学習アプローチと組み合わせた畳み込みニューラル ネットワーク (CNN) が提案され、ヘマトキシリンおよびエオシン染色生検全スライド画像 (WSI) からマイクロ サテライト ステータスを決定するための従来の実験室テストが回避されました。
ただし、WSI の解像度が高いため、WSI 全体を直接分類することは事実上不可能です。
現在のアプローチでは、最初に WSI から抽出された小さなパッチを分類し、次にパッチ レベルの分類ロジットを集計して患者レベルのステータスを推測することにより、WSI の高解像度をバイパスします。
このようなアプローチでは、高解像度の WSI データに存在する重要な情報を取得する能力が制限されます。
パッチ埋め込みの運動量対照学習と、これらの埋め込みのグループで患者レベルの分類子をトレーニングすることにより、WSI の高解像度情報を活用する効果的なアプローチを紹介します。
私たちのアプローチは、より高い安定性を備えた単純なパッチレベルの分類および患者レベルの集計アプローチと比較して、最大 7.4\% 優れた精度を達成します (AUC、$0.91 \pm 0.01$ 対 $0.85 \pm 0.04$、p 値$<0.01$) ）。 コードは https://github.com/TechnionComputationalMRILab/colorectal_cancer_ai にあります。

要約(オリジナル)

Assessing microsatellite stability status of a patient’s colorectal cancer is crucial in personalizing treatment regime. Recently, convolutional-neural-networks (CNN) combined with transfer-learning approaches were proposed to circumvent traditional laboratory testing for determining microsatellite status from hematoxylin and eosin stained biopsy whole slide images (WSI). However, the high resolution of WSI practically prevent direct classification of the entire WSI. Current approaches bypass the WSI high resolution by first classifying small patches extracted from the WSI, and then aggregating patch-level classification logits to deduce the patient-level status. Such approaches limit the capacity to capture important information which resides at the high resolution WSI data. We introduce an effective approach to leverage WSI high resolution information by momentum contrastive learning of patch embeddings along with training a patient-level classifier on groups of those embeddings. Our approach achieves up to 7.4\% better accuracy compared to the straightforward patch-level classification and patient level aggregation approach with a higher stability (AUC, $0.91 \pm 0.01$ vs. $0.85 \pm 0.04$, p-value$<0.01$). Our code can be found at https://github.com/TechnionComputationalMRILab/colorectal_cancer_ai.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google