Colorectal cancer survival prediction using deep distribution based multiple-instance learning

要約

スライド全体の画像 (WSI) を使用してがん患者の生存を予測するために、いくつかの深層学習アルゴリズムが開発されています。しかし、患者の生存と疾患の進行に関連する WSI 内の画像表現型を特定することは、臨床医にとっても深層学習アルゴリズムにとっても困難です。
生存予測のための深層学習ベースの複数インスタンス学習 (MIL) アルゴリズムのほとんどは、トップ インスタンス (maxpooling など) またはトップ/ボトム インスタンス (MesoNet など) のいずれかを使用して、画像の表現型を識別します。
この研究では、WSI 内のパッチ スコアの分布に関する全体的な情報が、がんの生存率をより適切に予測できるという仮説を立てています。
この仮説を検証するために、分散ベースの複数インスタンス生存学習アルゴリズム (DeepDisMISL) を開発しました。
MCO CRC と TCGA COAD-READ という 2 つの大規模な国際的な結腸直腸癌 WSI データセットを使用して、実験を設計および実行しました。
私たちの結果は、WSI のパッチ スコアの分布に関する情報が多いほど、予測パフォーマンスが向上することを示唆しています。
選択した各分布位置 (パーセンタイルなど) の周囲に複数の近隣インスタンスを含めると、予測がさらに改善される可能性があります。
DeepDisMISL は、最近公開された他の最先端のアルゴリズムと比較して、優れた予測能力を示しました。
さらに、アルゴリズムは解釈可能であり、がんの形態学的表現型と患者のがん生存リスクとの関係を理解するのに役立ちます。

要約(オリジナル)

Several deep learning algorithms have been developed to predict survival of cancer patients using whole slide images (WSIs).However, identification of image phenotypes within the WSIs that are relevant to patient survival and disease progression is difficult for both clinicians, and deep learning algorithms. Most deep learning based Multiple Instance Learning (MIL) algorithms for survival prediction use either top instances (e.g., maxpooling) or top/bottom instances (e.g., MesoNet) to identify image phenotypes. In this study, we hypothesize that wholistic information of the distribution of the patch scores within a WSI can predict the cancer survival better. We developed a distribution based multiple-instance survival learning algorithm (DeepDisMISL) to validate this hypothesis. We designed and executed experiments using two large international colorectal cancer WSIs datasets – MCO CRC and TCGA COAD-READ. Our results suggest that the more information about the distribution of the patch scores for a WSI, the better is the prediction performance. Including multiple neighborhood instances around each selected distribution location (e.g., percentiles) could further improve the prediction. DeepDisMISL demonstrated superior predictive ability compared to other recently published, state-of-the-art algorithms. Furthermore, our algorithm is interpretable and could assist in understanding the relationship between cancer morphological phenotypes and patients cancer survival risk.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google