Joint multi-task learning improves weakly-supervised biomarker prediction in computational pathology

要約

ディープラーニング (DL) は、弱く監視された設定でデジタル化されたがん組織学から直接バイオマーカーを予測できます。
最近、回帰ベースの DL による連続バイオマーカーの予測への関心が高まっています。
それにもかかわらず、臨床上の意思決定では、多くの場合、カテゴリ別の結果が必要となります。
その結果、我々は、マイクロサテライト不安定性 (MSI) と相同組換え欠損症 (HRD) という 2 つの重要な予測バイオマーカーを予測するために 4 つの公的患者コホートでトレーニングおよび評価された、弱教師共同マルチタスク Transformer アーキテクチャを開発しました。
腫瘍微小環境に関連する回帰タスク。
さらに、計算病理学における弱教師あり共同マルチタスク学習のためのタスクバランシングの 16 のアプローチの包括的なベンチマークを実行します。
私たちの新しいアプローチを使用して、受信機動作特性の下の最先端の領域を +7.7% および +4.1% 改善し、潜在埋め込みのクラスタリングを +8% および +5% 改善しました。
外部コホートにおける MSI と HRD のそれぞれの予測。

要約(オリジナル)

Deep Learning (DL) can predict biomarkers directly from digitized cancer histology in a weakly-supervised setting. Recently, the prediction of continuous biomarkers through regression-based DL has seen an increasing interest. Nonetheless, clinical decision making often requires a categorical outcome. Consequently, we developed a weakly-supervised joint multi-task Transformer architecture which has been trained and evaluated on four public patient cohorts for the prediction of two key predictive biomarkers, microsatellite instability (MSI) and homologous recombination deficiency (HRD), trained with auxiliary regression tasks related to the tumor microenvironment. Moreover, we perform a comprehensive benchmark of 16 approaches of task balancing for weakly-supervised joint multi-task learning in computational pathology. Using our novel approach, we improve over the state-of-the-art area under the receiver operating characteristic by +7.7% and +4.1%, as well as yielding better clustering of latent embeddings by +8% and +5% for the prediction of MSI and HRD in external cohorts, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google