AI在医学领域:MIL回归用于前列腺癌复发预测

       2024年,全球男性新癌症病例预计为1029080例,其中前列腺癌病例预计为29%。前列腺癌是男性中第二常见的癌症类型,仅次于肺癌。它主要影响老年男性,且发病率随年龄增长而增加。前列腺癌的主要治疗方法是前列腺切除术,但术后复发率较高(高达 40%)。格里森评分(Gleason score)是当前用于评估前列腺癌风险等级的主要方法,它基于组织形态学特征进行分级。尽管格里森评分在临床上广泛应用,但它存在局限性,同一格里森评分等级内的复发率存在差异。近年来,深度学习方法开始被用于分析组织微阵列的数字化组织学图像,以预测生化复发。这些方法相较于传统的格里森评分,显示出了更高的预测准确性。

      本文提出了一种两阶段的 MIL 回归方法来预测前列腺癌的生物化学复发时间(TTR)。该方法采用“快速思考 & 慢速思考”策略,旨在提高斑块采样/池化和推理效率。

     源代码网址:https://github.com/yousuhang/IU-ComPath-LeoPard

1 方法

     本文提出了一种基于多实例学习的两阶段方法,用于预测前列腺癌患者的生化复发时间 (TTR)。该方法遵循“快思考 & 慢思考”的策略,以提高预测效率和准确率。

1.1 快速定位 (Thinking Fast)

  • 目标: 快速找到与生化复发最相关的 WSI 区域。
  • 分辨率: 使用低分辨率 (≈ 16mpp) 的 WSI 进行预测,以减少推理时间。
  • 模型: 使用 CLAM-SB 模型进行分类,判断每个 WSI 是否会在特定时间阈值 T 内复发。
  • 结果: 生成每个区域的注意力图,并选择注意力得分最高的前 m% (最多 40%) 区域。
  • 作用: 过滤掉不相关的组织,为第二阶段的预测提供更精准的区域。

1.2 精细预测 (Thinking Slow)

  • 目标: 利用高分辨率 (≈ 0.25mpp) 的 WSI 预测患者的 TTR。
  • 模型:从第一阶段选定的区域中提取 2048x2048 的 patches,并进行特征提取。使用 Cox Proportional Hazards (CPH) 模型进行回归,预测患者的复发风险 R。使用 top-k 和注意力池化选择最重要的特征进行预测。
  • 结果: 得到每个患者的 TTR 预测值。
  • 作用: 在更相关的区域内进行精细预测,提高预测准确率。

1.3 模型训练和评估

  • 使用 Adam 优化器进行训练。
  • 使用 AUC 和 C-index 作为评估指标。
  • 使用交叉验证选择最佳模型参数。

1.4 可解释性

  • 第一阶段生成注意力图,可视化最相关的区域。
  • 第二阶段使用注意力机制,突出显示对 TTR 预测最重要的区域。

2 结果

2.1 模型性能

  • 内部验证集: 在内部验证集上,该方法取得了 0.733 的平均 C-index (σ = 0.059),优于其他方法(MAD-MIL: 0.704 ± 0.058,AC-MIL: 0.714 ± 0.056)。
  • LEOPARD 挑战验证集: 在 LEOPARD 挑战验证集上,该方法取得了 0.603 的 C-index (CiRadboud = 0.616, Ciexternal = 0.589),表现良好。

2.2 消融实验结果

  • (A) 和 (C) 展示了在不同WSI百分比(m)下,不同top_k设置的比较。
  • (B) 和 (D) 比较了MAD-MIL、AC-MIL和我们提出的MIL方法在不同m参数下的最佳参数设置。
  • (A) 和 (B) 中的y轴代表在外保留集上评估的平均Ci值,而(C) 和 (D) 中的y轴代表Ci的标准差(σCi)。
  • x轴代表用于“慢速思考”阶段的图像块百分比。

2.2.1 结论

  • topk 和 m 的选择: 通过消融实验,发现当 topk = 30 且 m = 10% 时,模型性能最佳。这表明并非 WSI 的所有区域都对 TTR 预测同等重要,关注更相关的区域可以提高预测效率和准确率。
  • 与 MAD-MIL 和 AC-MIL 的比较: 在几乎所有的 m 参数设置下,该方法在 TTR 预测方面都优于 MAD-MIL 和 AC-MIL。

2.3 可解释性

2.3.1 注意力热图

  • 通过在组织图像上叠加注意力热图,可以直观地展示模型在进行预测时关注图像的哪些部分。
  • 热图中较暖的颜色(如红色)表示模型在做出分类或回归决策时认为更重要的区域。

2.3.2 图像展示

  • 图形中的左侧图像显示了整个WSI区域的注意力热图,而右侧图像则放大显示了左侧图像中选定的特定区域。
  • 这种放大视图有助于更细致地观察和分析模型在预测过程中特别关注的区域。

2.3.3 结论

  • 注意力机制: 该方法利用注意力机制来可视化模型的注意力区域,从而提高可解释性。
  • 注意力区域: 结果表明,注意力区域主要集中在肿瘤组织区域,这与临床知识相符。

2.4 局限性

该方法使用 CPH 模型进行风险预测,而非直接预测 TTR。未来可以考虑使用更直接的 TTR 预测模型。

2.5 未来方向

  • 其他肿瘤类型: 将该方法扩展到其他肿瘤类型的 TTR 预测。
  • 直接 TTR 预测: 使用更直接的 TTR 预测模型,例如生存分析模型。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mfbz.cn/a/873708.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

探索手势能够识别在训练数据中未观察到的情绪

介绍 论文地址:https://arxiv.org/pdf/2202.10571.pdf 基于人工智能的情感识别研究领域是各个领域不可或缺的,如机器人和情感计算,并在语音中使用面部表情和手势来实现人们提出了各种方法来识别一个人的情绪。然而,这些基于机器学…

C语言 | Leetcode C语言题解之第391题完美矩形

题目: 题解: /* 参照官方答案题解: 1.小矩形面积之和等于大矩形区域面积 2.矩形区域内部顶点出现次数只能是2次或4次(边界四个顶点只能出现一次) */ typedef struct {int x;int y; } Coordinate;typedef struct {Coor…

JavaWeb(后端)

Spring-MVC Spring MVC(Model-View-Controller)是Spring框架中的一个模块,用于构建基于MVC设计模式的Web应用程序。Spring MVC将应用程序分为三个主要部分: Model:负责处理数据和业务逻辑。View:负责展示…

Rancher 与 Kubernetes(K8s)的关系

1. 简介 1.1 Kubernetes 作为容器编排平台 Kubernetes 是一个开源平台,用于自动化部署、扩展和管理容器化的应用。它提供了容器调度、自动伸缩、健康检查、滚动更新等功能。 例子:假设您有一个微服务架构的应用程序,需要运行在多个节…

单例的饿汉式,懒汉式的线程安全问题

1 单例的饿汉式 对象在类加载的时候就创建了,线程安全,速度块,但是浪费空间, public class Hungry {//唯一对象private static final Hungry HUNGRY new Hungry();byte byte1[]new byte[1024];byte byte2[]new byte[1024];byte…

openSSL 如何降版本

文章目录 前言openSSL 如何降版本1. 卸载2. 安装新的openssl版本3. 验证 前言 如果您觉得有用的话,记得给博主点个赞,评论,收藏一键三连啊,写作不易啊^ _ ^。   而且听说点赞的人每天的运气都不会太差,实在白嫖的话&…

DDS-数据分发服务

目录 1.ROS2架构 2.DDS概念 参考资料 1.ROS2架构 在ROS 2(Robot Operating System 2)中,系统通常由以下几个核心部分组成,它们共同构成了ROS 2的架构和功能: Plumbing(管道): 这个术语在ROS …

Oracle OCP认证值得考吗? 需要门槛吗?

随着数据量的爆炸性增长和企业对数据依赖性的提升,对数据库专业人士的需求也在不断上升。OCP认证,作为Oracle公司提供的权威认证之一,长期以来被视为数据库专业人士技能和知识水平的重要标志。 但随着技术的发展和认证种类的增多,…

快速解决git am冲突

前言 当希望通过git am xxxx.patch,添加一些代码修改,如果代码版本相差较大,就可能产生冲突。 这种必须要我们手动修改冲突内容。 解决过程 1. git am 尝试打入patch补丁 git am 0004-patch.patch2. git apply --reject生成冲突文件 执行…

uniapp设置微信小程序的交互反馈

链接:uni.showToast(OBJECT) | uni-app官网 (dcloud.net.cn) 设置操作成功的弹窗: title是我们弹窗提示的文字 showToast是我们在加载的时候进入就会弹出的提示。 2.设置失败的提示窗口和标签 icon:error是设置我们失败的logo 设置的文字上…

keil安装及运行第一个stm32程序

前言 记录如何安装keil软件及运行第一个stm32程序 目录 一、keil开发环境搭建 0.keil是什么 1.keil下载 2.keil软件安装 3.安装芯片支持包 4.破解激活 二、keil工程结构 1.创建目录结构 2.新建工程 3.配置项目 (1).例程准备 (2).工程目录管理 (3).选项配置 4.例…

渗透测试学习资源

burp学院 https://portswigger.net/burp/documentation/desktop/getting-started https://portswigger.net/web-security/ hacker101学院 https://www.hacker101.com/ https://github.com/bugcrowd/bugcrowd_university 如何白嫖自学网络安全技术,最稳最推荐的网…

CGAL 概念模型及Traits 概述

CGAL 概念模型及Traits 本节释了概念Concepts 、模型Models以及Traits类的含义。 CGAL Concepts and Models 概念Concepts是对类型的一组要求,即它具有特定的嵌套类型、特定的成员函数或具有特定的以该类型为参数的自由函数。概念的模型 Models是一个满足概念需求…

购买磨轮平衡机时应该注意什么问题和技巧

在购买磨轮平衡机时,您应该注意以下几个关键点: 平衡精度 平衡精度是衡量平衡机性能的核心指标,直接影响到不平衡量的检测与校准的准确性,从而决定磨轮的振动和噪声水平。高精度的平衡机能显著减少振动和噪声,提高磨…

IEEE投稿模板翻译

>将这一行替换为您的稿件id号(双击此处编辑)< IEEE 期刊和会议论文的撰写准备&#xff08;2022&#xff09; 第一作者 A. 作者&#xff0c;IEEE成员&#xff0c;第二作者 B. 作者&#xff0c;第三作者 C. 作者 Jr.&#xff0c;IEEE成员 摘要—本文档为IEEE会刊、期刊和…

推荐一个Python流式JSON处理模块:streaming-json-py

每天&#xff0c;我们的设备、应用程序和服务都在生成大量的数据流&#xff0c;这些数据往往大多是以JSON格式存在的。 如何高效地解析和处理这些JSON数据流是一大挑战。今天&#xff0c;我要为大家介绍一个能极大简化这一过程的利器&#xff1a;streaming-json-py streaming…

负载均衡调度器--LVS

文章目录 集群和分布式集群分布式 LVS介绍LVS特点LVS工作原理LVS集群架构 LVS集群中的术语CIPVIPRSDIPRIP LVS集群的工作模式NAT模式DR模式DR的工作原理DR的特点:DR的网络配置1.配置负载均衡器2.配置后端服务器lo接口的作用 3.测试连接&#xff1a; DR的典型应用场景 TUN模式 L…

新电脑Win11系统想要降级为Win10怎么操作?

前言 现在的电脑大部分都是Windows 11系统&#xff0c;组装机还好一些&#xff0c;如果想要使用Windows 10&#xff0c;只需要在安装系统的时候选择Windows 10镜像即可。 但是对于新笔记本、厂商的成品机、一体机来说&#xff0c;只要是全新的电脑&#xff0c;基本上都是Wind…

评论的组件封装

主评论的人在数组第一层级&#xff0c;回复的评论都在children里面 【{ name:"张三" idGenerator: 475403892531269 info_Conmment":"今天天气晴朗&#x1f600;" children:[ { mainIdGenerator:475388950118469 name:"张三" name1&#x…

揭秘世界上那些同时横跨两大洲的国家

我们在《世界人口过亿的一级行政区分布》盘点全球是那些人口过亿的一级行政区。 现在我们介绍五个横跨两州的国家&#xff0c;并整理七大洲和这些国家的KML矢量数据分析分享给大家&#xff0c;如果你需要这些数据&#xff0c;请在文末查看领取方式。 世界上横跨两大洲的国家 …