大家好，今天给大家解读一篇题为A novel deep learning-based algorithm combining histopat holog ical features with tissue areas to predict colorectal cancer survival from whole-slide images（一种新的基于深度学习的算法，将组织病理学特征与组织区域相结合，从全滑动图像预测结直肠癌癌症生存率）我们提出了一种新的基于深度学习的算法，结合组织区域和组织病理学特征来预测癌症生存。
01
研究背景
许多用于选择组织病理学图像的方法，例如样本图像斑块或来自感兴趣区域的片段组织学 （ROI） 或全玻片图像 （WSI），已被用于开发生存模型。由于十亿像素WSI表现出不同的组织学外观，因此获得临床预后和可解释的特征仍然具有挑战性。因此，我们提出了一种新的基于深度学习的算法，将组织区域与组织病理学特征相结合，以预测癌症生存率。
见图一
所提方法概述。
图一
它旨在从整个载玻片图像中提取预后特征并预测患者的生存风险。我们的方法由四个主要部分组成：从整个幻灯片图像中取样;B 使用 DeepConvSurv 模型提取肿瘤、淋巴细胞、基质和粘液的组织病理学特征;C 通过考虑肿瘤、淋巴细胞和基质区域从组织图中提取组织区域特征;D 使用提取的特征对多个生存模型进行训练，以预测患者的风险。LYM淋巴细胞、MUC黏液、STR基质、TUM肿瘤、SSVM生存支持向量机、RSF随机生存森林、GBRT梯度提升回归树。
见图二
DeepConvSurv 模型的体系结构。
图二
我们在不同的组织集上分别训练了 DeepConvSurv 模型，并使用这些模型从斑块中提取组织病理学特征。
见图三
用于提取组织区域特征的图像处理技术。
图三
我们使用闭合操作 （A） 来连接不恰当地分成许多小块的对象。
应用连接组件分析（B）来查找和标记图像中的每个连接组件，TUM肿瘤。
见图四
LYM淋巴细胞、STR基质、TUM肿瘤。
图四
较差 （A1-A5） 和较好存活率 （B1-B5） 的示例以及相应的组织区域特征（包括 max_tumor_area、lymphocyte_inside_tumor、lymphocyte_around_tumor、around_inside_ratio 和 total_stroma_area）的相应 Kaplan\u1Meier 生存曲线 （C5-C1）。将组织区域特征分类为高组和低组的截止点由最大选择秩统计方法确定。每种情况下都有一个完整的幻灯片图像（左）和一个可视化地图（右）（A5-A1 和 B5-B1）。红色外框表示高组情况（A2、A3、B4、B5 和 A1），蓝色外框表示低组情况（B2、B3、A4、A5 和 B<>）。
02
研究结论
我们提出了一种使用基于深度学习的组织病理学特征和来自 WSI 的组织面积来选择组织病理学图像来预测癌症生存率的方法。我们的方法在六个不同的生存模型中优于 WSISA K-means 采样补丁。此外，我们还按组织区域提供了临床相关和可解释的特征。未来，我们将研究更多从WSI中提取临床预后特征的方法，并建立生存预测模型。
好了，今天的文献解读就到这儿来，我们下期再见！如果你正在开展临床研究.需要方案设计.数据管理. 数据分析等支持.也随时可以联系我们。