[論文レビュー] Regression-based Deep-Learning predicts molecular biomarkers from pathology slides

Omar S. M. El Nahhas, Chiara Maria Lavinia Loeffler+15 more|arXiv (Cornell University)|Apr 11, 2023

AI in cancer detection被引用数 13

ひとこと要約

tldr: 本研究は、組織病理画像から直接連続的な分子バイオマーカーを予測する回帰ベース・自己教師付き・アテンションベースの弱教師あり深層学習手法を提案し、11,671人の患者と9つの癌種にわたり評価した。回帰は、生物マーカー予測における分類と比較して精度と解釈性を向上させ、結腸直腸癌における予後価値も高める。

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.

研究の動機と目的

• ヒストパソロジー画像から連続的な分子バイオマーカーを予測する際に、分類より回帰を重視する動機付け。
• 自己教師付き・アテンションベースの弱教師あり回帰フレームワークを開発する。
• 大規模な多癌データセットと複数の臨床的に関連するバイオマーカーを用いて評価する。
• 結腸直腸癌における回帰推定バイオマーカースコアの予後価値を評価する。
• 計算病理学における回帰ベースの連続的バイオマーカー分析のためのオープンソースツールを提供する。

提案手法

• 全スライド画像から連続的なバイオマーカーを予測する自己教師付き・アテンションベースの弱教師あり回帰モデルを提案する。
• 11,671人の患者を対象に9つの癌種で訓練する。
• 評価には、homologous repair deficiency (HRD) score を含む、他の腫瘍微小環境マーカーなどを用いる。
• 回帰ベースの予測と分類ベースの対応物を、精度と解釈性の観点で比較する。
• 結腸直腸癌における回帰スコアの予後価値を評価する。
• 回帰アプローチのオープンソースコードを公開する。）

実験結果

リサーチクエスチョン

• RQ1 病理スライドから連続的な分子バイオマーカーを予測する際に、回帰ベースの深層学習は分類ベースのモデルを上回ることができるか。
• RQ2 提案された弱教師付き回帰アプローチはバイオマカー予測の解釈性を改善するか？
• RQ3 結腸直腸癌において、回帰推定バイオマーカースコアは分類ベースのスコアより予後情報量が多いか？
• RQ4 HRD scoreや腫瘍微小環境マーカーを含む複数の癌種・バイオマーカーに対して、方法はどのように性能を示すか？

主な発見

• 回帰は分類と比較してバイオマーカー予測の精度を著しく向上させる。
• 回帰は分類より結果の解釈性を向上させる。
• 結腸直腸癌では、回帰ベースのスコアが分類ベースのスコアより予後価値が高い。
• 11,671人の患者と9つの癌タイプにわたって評価され、その広範な適用性を強調している。
• 著者らは計算病理学における連続バイオマーカー分析のためのオープンソース回帰手法を提供している。