[论文解读] A review of machine learning approaches, challenges and prospects for computational tumor pathology

Liangrui Pan, Zhichao Feng+1 more|arXiv (Cornell University)|May 31, 2022

AI in cancer detection被引用 4

一句话总结

本文综述了计算肿瘤病理学中机器学习方法的应用，重点关注全切片图像分析、多组学数据整合以及临床信息学。文章评估了数据处理、硬件和模型部署中的技术与临床挑战，同时展望了人工智能驱动精准肿瘤学的未来前景。

ABSTRACT

Computational pathology is part of precision oncology medicine. The integration of high-throughput data including genomics, transcriptomics, proteomics, metabolomics, pathomics, and radiomics into clinical practice improves cancer treatment plans, treatment cycles, and cure rates, and helps doctors open up innovative approaches to patient prognosis. In the past decade, rapid advances in artificial intelligence, chip design and manufacturing, and mobile computing have facilitated research in computational pathology and have the potential to provide better-integrated solutions for whole-slide images, multi-omics data, and clinical informatics. However, tumor computational pathology now brings some challenges to the application of tumour screening, diagnosis and prognosis in terms of data integration, hardware processing, network sharing bandwidth and machine learning technology. This review investigates image preprocessing methods in computational pathology from a pathological and technical perspective, machine learning-based methods, and applications of computational pathology in breast, colon, prostate, lung, and various tumour disease scenarios. Finally, the challenges and prospects of machine learning in computational pathology applications are discussed.

研究动机与目标

• 整合计算肿瘤病理学中用于癌症诊断与预后评估的当前机器学习技术。
• 识别在整合全切片图像、多组学数据与临床信息学过程中面临的关键技术与临床挑战。
• 评估人工智能在改善治疗方案制定、生存预测与诊断准确性方面的角色。
• 讨论在临床环境中数据共享、模型泛化能力与硬件限制方面的局限性。
• 概述未来研究方向，以实现可扩展、可解释且可在临床中部署的AI系统。

提出的方法

• 系统性回顾计算病理学中机器学习方法的应用，重点关注图像预处理与深度学习架构。
• 分析全切片图像（WSI）处理流程，包括基于图像块与基于图块的卷积神经网络。
• 考察整合多模态数据的技术，结合基因组学、放射组学、病理组学与临床数据。
• 评估模型可解释性与可解释性方法，如Grad-CAM与注意力机制在组织病理学中的应用。
• 讨论联邦学习与隐私保护人工智能，以实现在机构间安全共享数据。
• 评估在临床级病理工作站部署模型时面临软硬件约束。

实验结果

研究问题

• RQ1 在全切片图像分析中用于肿瘤检测与分类的主流机器学习架构有哪些？
• RQ2 当前方法如何将多组学数据（如基因组学、蛋白质组学）与组织病理学图像结合，以提升预后预测能力？
• RQ3 在常规病理工作流程中部署机器学习模型面临的主要技术与临床障碍是什么？
• RQ4 如何提升模型的可解释性与泛化能力，以实现真实临床环境中的部署？
• RQ5 未来趋势与技术（如联邦学习、神经形态计算）如何克服当前计算病理学中的局限性？

主要发现

• 深度学习模型，特别是基于CNN的架构，在从全切片图像中分类肿瘤类型方面表现出高准确性，部分模型在基准数据集上的AUC > 0.95。
• 将多组学数据与组织病理学图像结合，相比单一模态方法，能显著提升生存预测的准确性。
• 数据异质性、标注质量有限以及缺乏标准化，仍是模型在不同机构间泛化的主要挑战。
• 硬件限制与高昂的计算成本阻碍了复杂模型在常规临床环境中的部署。
• 联邦学习与隐私保护人工智能在无需共享敏感患者数据的前提下实现协作模型训练方面展现出巨大潜力。
• 可解释性技术如Grad-CAM有助于病理科医生理解模型预测，从而提升信任度与临床采纳潜力。