Dynamic Hypergraph Representation for Bone Metastasis Cancer Analysis

要約

骨転移分析は、病理学における重要な課題であり、患者の生活の質と治療戦略を決定する上で重要な役割を果たします。
微小環境と特定の組織構造は、病理学者が原発性骨がんの起源と原発性骨がんのサブタイピングを予測するために不可欠です。
骨組織切片を全体のスライド画像（WSI）にデジタル化し、深い学習を活用してスライドエンミングをモデル化することにより、この分析を強化できます。
しかし、腫瘍転移には、多様な骨組織構造との複雑な多変量相互作用が含まれます。これは、複数のインスタンス学習（MIL）などの従来のWSI分析方法を捕捉できません。
さらに、ペアワイズ関係のモデリングに限定されたグラフニューラルネットワーク（GNNS）は、高次の生物学的関連を表すのが困難です。
これらの課題に対処するために、ハイペレッジを介して複数のノードを接続することにより、従来のグラフ表現のエッジ構造の制限を克服する動的なハイパーグラフニューラルネットワーク（DYHG）を提案します。
低ランク戦略を使用して、ハイパーグラフ構造の学習におけるパラメーターの複雑さを減らしますが、ガンベルソフトマックスベースのサンプリング戦略は、ハイペラエッジ全体のパッチ分布を最適化します。
次に、MILアグリゲーターを使用して、包括的なWSI分析のためにグラフレベルの埋め込みを導き出します。
DYHGの有効性を評価するために、一次骨がんの起源と、実際の骨転移シナリオに基づいてサブタイピング分類のための2つの大規模なデータセットを構築します。
広範な実験は、DYHGが最先端の（SOTA）ベースラインを大幅に上回ることを示しており、複雑な生物学的相互作用をモデル化し、骨転移分析の精度を改善する能力を示しています。

要約(オリジナル)

Bone metastasis analysis is a significant challenge in pathology and plays a critical role in determining patient quality of life and treatment strategies. The microenvironment and specific tissue structures are essential for pathologists to predict the primary bone cancer origins and primary bone cancer subtyping. By digitizing bone tissue sections into whole slide images (WSIs) and leveraging deep learning to model slide embeddings, this analysis can be enhanced. However, tumor metastasis involves complex multivariate interactions with diverse bone tissue structures, which traditional WSI analysis methods such as multiple instance learning (MIL) fail to capture. Moreover, graph neural networks (GNNs), limited to modeling pairwise relationships, are hard to represent high-order biological associations. To address these challenges, we propose a dynamic hypergraph neural network (DyHG) that overcomes the edge construction limitations of traditional graph representations by connecting multiple nodes via hyperedges. A low-rank strategy is used to reduce the complexity of parameters in learning hypergraph structures, while a Gumbel-Softmax-based sampling strategy optimizes the patch distribution across hyperedges. An MIL aggregator is then used to derive a graph-level embedding for comprehensive WSI analysis. To evaluate the effectiveness of DyHG, we construct two large-scale datasets for primary bone cancer origins and subtyping classification based on real-world bone metastasis scenarios. Extensive experiments demonstrate that DyHG significantly outperforms state-of-the-art (SOTA) baselines, showcasing its ability to model complex biological interactions and improve the accuracy of bone metastasis analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google