Multiple Instance Learning for Glioma Diagnosis using Hematoxylin and Eosin Whole Slide Images: An Indian Cohort Study

要約

脳腫瘍の効果的な管理は、正確なタイピング、サブタイピング、およびグレーディングに依存します。
この研究は、脳腫瘍の組織病理学におけるさまざまな特徴抽出器およびアグリゲータにわたる厳密な複数インスタンス学習実験から得られた知見を利用して、患者ケアを前進させます。
これは、インドの人口統計 (IPD-Brain) に焦点を当てた新しいデータセットを含む複数のデータセットにわたる神経膠腫のサブタイプ分類における新しいパフォーマンス ベンチマークを確立し、既存の研究に貴重なリソースを提供します。
特徴抽出のために組織病理学データセットで事前トレーニングされた ResNet-50 を Double-Tier Feature Distillation (DTFD) 特徴アグリゲーターと組み合わせて使用​​することで、当社のアプローチは IPD-Brain で 88.08、TCGA で 95.81 という最先端の AUC を達成します。
– それぞれ、三元神経膠腫サブタイプ分類用の脳データセット。
さらに、IPD-Brain データセットの H&E 染色された全スライド画像を通じて、IHC 分子バイオマーカー (IDH1R132H、TP53、ATRX、Ki-67) のグレーディングと検出における新しいベンチマークを確立します。
この研究はまた、モデルの意思決定プロセスと病理学者の診断推論との間の重要な相関関係を強調し、専門的な診断手順を模倣するその能力を強調しています。

要約(オリジナル)

The effective management of brain tumors relies on precise typing, subtyping, and grading. This study advances patient care with findings from rigorous multiple instance learning experimentations across various feature extractors and aggregators in brain tumor histopathology. It establishes new performance benchmarks in glioma subtype classification across multiple datasets, including a novel dataset focused on the Indian demographic (IPD- Brain), providing a valuable resource for existing research. Using a ResNet-50, pretrained on histopathology datasets for feature extraction, combined with the Double-Tier Feature Distillation (DTFD) feature aggregator, our approach achieves state-of-the-art AUCs of 88.08 on IPD-Brain and 95.81 on the TCGA-Brain dataset, respectively, for three-way glioma subtype classification. Moreover, it establishes new benchmarks in grading and detecting IHC molecular biomarkers (IDH1R132H, TP53, ATRX, Ki-67) through H&E stained whole slide images for the IPD-Brain dataset. The work also highlights a significant correlation between the model decision-making processes and the diagnostic reasoning of pathologists, underscoring its capability to mimic professional diagnostic procedures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google