通过补丁级图聚类和混合密度专家从整张幻灯片图像进行生存建模-计算机科学-深度学习-注意力机制-组织病理学.pdf

通过补丁级图聚类和混合密度专家从整张幻灯片

图像进行生存建模

11121

ArdhenduSekhar,VasuSoni,KeshavAske,GarimaJain,PranavJeevan,

andAmitSethi1

2IndianCouncilofMedicalResearch,NewDelhi,India

1IndianInstituteofTechnologyBombay,Mumbai,India

本

译

中1摘要

1

v

6我们提出了一种基于全幻灯片病理图像（WSIs）预测癌症特异性生存率的模块化

7

4框架，该框架显著提高了现有技术的准确性。我们的方法整合了四个关键组件。首先，

6

1为了处理大型WSIs，我们通过基于分位数的阈值动态选择斑块来隔离具有预后信息的

.

7组织区域。其次，我们使用图引导的k-means聚类来捕捉表型水平上的异质性，通过空

0

5间和形态的一致性进行操作。第三，我们使用注意机制来建模集群内部及之间的关系，

2

:并在不同类型组织隔室之间的全局空间关系中上下文化局部特征。最后，我们使用专

v

i

x家指导下的混合密度模型来利用高斯混合模型估计复杂的生存分布。所提出的模型在

r

aTCGA-KIRC（肾癌）上实现了07120028的符合指数和02540018的Brier评分，

在TCGA-LUAD（肺腺癌）上实现了06450017的符合指数和02810031的Brier评

分。这些结果显著优于现有技术，并展示了所提出方法在多种癌症类型中的预测潜力。

生存分析，全幻灯片图像（WSIs），图引导聚类，注意力机制，专家引导建模，组

织病理学，深度学习，癌症预后

关键词：

2介绍

准确的癌症患者生存预测在个性化肿瘤学中起着至关重要的作用，使临床医生能

够制定治疗计划、调整监测时间表并更有效地分配医疗资源。近年来，全幻灯片图像

（WSIs）——高分辨率的苏木精和伊红（HE）染色病理切片数字扫描——作为预测建

模的重要数据模式而崭露头角。WSIs捕捉了大量的组织学信息，包括肿瘤结构、间质

1

模式、免疫细胞浸润以及肿瘤微环境(TME)内的空间相互作用，所有这些都已知与患

者预后相关。

尽管具有潜力，WSIs为计算分析带来了显著的挑战。单个幻灯片可能包含数十亿

像素，使得端到端处理在计算上不可行。此外，在细胞或区域级别获取详细注释成本高

昂、耗时且通常难以大规模实现。因此，大多数方法依赖于弱监督学习范式和基于补丁

的表示形式，其中每张幻灯片被划分为较小的瓦片或补丁，并独立处理或使用池化策略

进行聚合。

虽然这些方法在癌症分类和亚型识别任务中取得了显著成功，生存预测引入了额

外的复杂性。与分类往往依赖于局部判别特征不同，生存分析需要对长程依赖关系、微

妙的形态线索以及TME内空间分布成分之间的相互作用进行联合建模。传统的统计模

型如Cox比例风险模型在捕捉WSIs中固有的非线性和高维关系方面能力有限。深度学

习方法提供了一种更具表现力的选择，但设计出既能准确又能解释生存估计的模型仍

然是一个持续的挑战。

为了应对这些限制，我们提出一个综合模块化框架，该框架整合了四个关键组件：

1.动态分位数基的补丁选择策略，该策略在识别预后信息组织区域的同时减少噪声

和计算负担；

2.一种图形引导的k-均值聚类技术，通过分组空间一致且形态相似的斑块来捕捉表

型水平的异质性；

3.注意机制结合了簇内注意力来建模每个表型