[논문 리뷰] Regression-based Deep-Learning predicts molecular biomarkers from pathology slides

Omar S. M. El Nahhas, Chiara Maria Lavinia Loeffler외 15명|arXiv (Cornell University)|2023. 04. 11.

AI in cancer detection인용 수 13

한 줄 요약

이 논문은 병리 이미지를 직접 이용해 연속 분자 바이오마커를 예측하는 회귀 기반의 자기지도(attention 기반) 약한 지도 심층 학습 방법을 제안하고, 11,671명의 환자와 아홉 가지 암 유형에 대해 평가하였다. 바이오마커 예측에서 회귀는 분류에 비해 정확도와 해석 가능성을 향상시키며, 대장암에서 예후 가치도 개선된다.

ABSTRACT

Deep Learning (DL) can predict biomarkers from cancer histopathology. Several clinically approved applications use this technology. Most approaches, however, predict categorical labels, whereas biomarkers are often continuous measurements. We hypothesized that regression-based DL outperforms classification-based DL. Therefore, we developed and evaluated a new self-supervised attention-based weakly supervised regression method that predicts continuous biomarkers directly from images in 11,671 patients across nine cancer types. We tested our method for multiple clinically and biologically relevant biomarkers: homologous repair deficiency (HRD) score, a clinically used pan-cancer biomarker, as well as markers of key biological processes in the tumor microenvironment. Using regression significantly enhances the accuracy of biomarker prediction, while also improving the interpretability of the results over classification. In a large cohort of colorectal cancer patients, regression-based prediction scores provide a higher prognostic value than classification-based scores. Our open-source regression approach offers a promising alternative for continuous biomarker analysis in computational pathology.

연구 동기 및 목표

• 히스토패토로지 이미지에서 연속 분자 바이오마커를 예측하기 위해 분류보다 회귀를 동기 부여한다.
• 자기지도 학습 기반 주의 기반 약한 지도 회귀 프레임워크를 개발한다.
• 대규모 다중 암 데이터세트와 다수의 임상적으로 관련 있는 바이오마커에서 접근법을 평가한다.
• 대장암에서 회귀 유도 바이오마커 점수의 예후 가치를 평가한다.
• 계산 병리학에서 회귀 기반 연속 바이오마커 분석을 위한 오픈 소스 도구를 제공한다.

제안 방법

• 전체 슬라이드 이미지에서 연속 바이오마커를 예측하기 위한 자기지도 주의 기반 약한 지도 회귀 모델을 제안한다.
• 9개 암종에 걸쳐 11,671명의 환자에 대해 학습한다.
• HRD 점수 등과 같은 바이오마커 및 종양 미세환경 마커를 평가한다.
• 회귀 기반 예측을 분류 기반 대응물과 정확도 및 해석 가능성 측면에서 비교한다.
• 대장암에서 회귀 점수의 예후 가치를 평가한다.
• 회귀 접근법의 오픈 소스 코드를 공개한다.

실험 결과

연구 질문

• RQ1 회귀 기반 딥러닝이 병리 슬라이드에서 연속 분자 바이오마커를 예측하는 데 분류 기반 모델보다 더 우수한가?
• RQ2 제안된 약한 지도 회귀 접근법이 바이오마커 예측의 해석 가능성을 향상시키는가?
• RQ3 대장암에서 회귀 유도 바이오마커 점수가 분류 기반 점수보다 예후 정보를 더 많이 제공하는가?
• RQ4 다양한 암 유형과 HRD 점수 및 종양 미세환경 마커를 포함한 바이오마커에서 방법의 성능은 어떠한가?

주요 결과

• 회귀는 바이오마커 예측의 정확도를 분류에 비해 크게 향상시킨다.
• 회귀는 분류에 비해 결과의 해석 가능성을 향상시킨다.
• 대장암에서 회귀 기반 점수가 분류 기반 점수보다 예후 가치가 더 높게 나타난다.
• 이 방법은 11,671명의 환자와 아홉 가지 암 유형에 걸쳐 평가되며, 광범위한 적용 가능성을 강조한다.
• 저자들은 계산 병리학에서 연속 바이오마커 분석을 위한 오픈 소스 회귀 방법을 제공한다.