Mapping the landscape of histomorphological cancer phenotypes using self-supervised learning on unlabeled, unannotated pathology slides

要約

がんの確定診断と管理は、病理医による顕微鏡画像からの情報抽出に依存している。これらの画像には、時間のかかる専門家による解釈が必要な複雑な情報が含まれており、人間のバイアスがかかりやすい。教師ありディープラーニングアプローチは、分類タスクにおいて強力であることが証明されているが、これらのモデルの学習に使用されるアノテーションのコストと質によって本質的に制限される。この教師あり手法の限界に対処するために、我々は組織形態学的表現型学習（HPL）を開発した。これは、専門家のラベルや注釈を必要とせず、小さな画像タイルにおける識別画像特徴の自動発見によって動作する、完全に青い{自己}教師あり手法である。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、組織形態学的表現型のライブラリを構成し、良性組織から炎症性・反応性表現型を経て悪性組織への軌跡を明らかにする。これらのクラスターは、組織学的表現型、分子的表現型、臨床的表現型を結びつける直交法を用いて同定できる明確な特徴を持っている。肺がん組織に適用したところ、これらのクラスターは患者の生存期間、病理組織学的に認識される腫瘍のタイプや増殖パターン、免疫表現型のトランスクリプトーム測定値と密接に一致することが示された。そして、これらの性質が複数のがんを対象とした研究においても維持されることを示した。これらの結果は、クラスターが自然淘汰のもとで出現した宿主の反応と腫瘍の成長様式を反復的に表していることを示している。コード、事前学習済みモデル、学習済み埋め込み、およびドキュメントは、https://github.com/AdalbertoCq/Histomorphological-Phenotype-Learning でコミュニティに公開されている。

要約(オリジナル)

Definitive cancer diagnosis and management depend upon the extraction of information from microscopy images by pathologists. These images contain complex information requiring time-consuming expert human interpretation that is prone to human bias. Supervised deep learning approaches have proven powerful for classification tasks, but they are inherently limited by the cost and quality of annotations used for training these models. To address this limitation of supervised methods, we developed Histomorphological Phenotype Learning (HPL), a fully blue{self-}supervised methodology that requires no expert labels or annotations and operates via the automatic discovery of discriminatory image features in small image tiles. Tiles are grouped into morphologically similar clusters which constitute a library of histomorphological phenotypes, revealing trajectories from benign to malignant tissue via inflammatory and reactive phenotypes. These clusters have distinct features which can be identified using orthogonal methods, linking histologic, molecular and clinical phenotypes. Applied to lung cancer tissues, we show that they align closely with patient survival, with histopathologically recognised tumor types and growth patterns, and with transcriptomic measures of immunophenotype. We then demonstrate that these properties are maintained in a multi-cancer study. These results show the clusters represent recurrent host responses and modes of tumor growth emerging under natural selection. Code, pre-trained models, learned embeddings, and documentation are available to the community at https://github.com/AdalbertoCq/Histomorphological-Phenotype-Learning

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL