Look a Group at Once: Multi-Slide Modeling for Survival Prediction

要約

生存予測は病理学において重要なタスクです。
臨床現場では、病理学者は多くの場合、複数の症例を検査し、より広範囲のがん表現型を利用して病理学的評価を強化します。
深層学習の大幅な進歩にもかかわらず、現在のソリューションは通常、各スライドをサンプルとしてモデル化し、比較可能なスライドに依存しない病理学的特徴を効果的に捕捉するのに苦労しています。
この論文では、集団分析の臨床実践にヒントを得た新しいフレームワークである GroupMIL を紹介します。これは、複数のスライドを 1 つのサンプルとしてモデル化し、パッチとスライドのグループを順番に編成して、スライド間の予後特徴を捕捉します。
また、グループフレームワーク内の拡張パッチシーケンス全体にわたる重要な予後パターンを明らかにしながら、スライドレベルのグラフ内の局所的な微環境特性を効果的に捕捉し、スライド内およびスライド間の特徴の相互作用を促進するように設計されたモデルである GPAMamba も紹介します。
さらに、各患者の包括的な生存リスクと確率の評価を提供するデュアルヘッド予測器を開発します。
広範な実証的評価により、私たちのモデルは、Cancer Genome Atlas の 5 つのデータセットにわたって最先端のアプローチを大幅に上回っていることが実証されています。

要約(オリジナル)

Survival prediction is a critical task in pathology. In clinical practice, pathologists often examine multiple cases, leveraging a broader spectrum of cancer phenotypes to enhance pathological assessment. Despite significant advancements in deep learning, current solutions typically model each slide as a sample, struggling to effectively capture comparable and slide-agnostic pathological features. In this paper, we introduce GroupMIL, a novel framework inspired by the clinical practice of collective analysis, which models multiple slides as a single sample and organizes groups of patches and slides sequentially to capture cross-slide prognostic features. We also present GPAMamba, a model designed to facilitate intra- and inter-slide feature interactions, effectively capturing local micro-environmental characteristics within slide-level graphs while uncovering essential prognostic patterns across an extended patch sequence within the group framework. Furthermore, we develop a dual-head predictor that delivers comprehensive survival risk and probability assessments for each patient. Extensive empirical evaluations demonstrate that our model significantly outperforms state-of-the-art approaches across five datasets from The Cancer Genome Atlas.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google