PathoHR: Predicción de Supervivencia en Cáncer de Mama mediante Imágenes Patológicas de Alta Resolución

PathoHR: Breast Cancer Survival Prediction on High-Resolution Pathological Images

March 23, 2025

Autores: Yang Luo, Shiru Wang, Jun Liu, Jiaxuan Xiao, Rundong Xue, Zeyu Zhang, Hao Zhang, Yu Lu, Yang Zhao, Yutong Xie

cs.AI

Resumen

La predicción de supervivencia en cáncer de mama en patología computacional presenta un desafío notable debido a la heterogeneidad tumoral. Por ejemplo, diferentes regiones del mismo tumor en la imagen patológica pueden mostrar características morfológicas y moleculares distintas. Esto dificulta la extracción de características representativas de las imágenes de lámina completa (WSIs, por sus siglas en inglés) que reflejen verdaderamente el potencial agresivo del tumor y los posibles resultados de supervivencia. En este artículo, presentamos PathoHR, una novedosa pipeline para la predicción precisa de la supervivencia en cáncer de mama que mejora imágenes patológicas de cualquier tamaño para permitir un aprendizaje de características más efectivo. Nuestro enfoque incluye (1) la incorporación de un Vision Transformer (ViT) de alta resolución plug-and-play para mejorar la representación por parches de las WSIs, permitiendo una extracción de características más detallada y completa, (2) la evaluación sistemática de múltiples métricas de similitud avanzadas para comparar las características extraídas de las WSIs, optimizando el proceso de aprendizaje de representación para capturar mejor las características del tumor, (3) la demostración de que parches de imagen más pequeños mejorados siguiendo la pipeline propuesta pueden lograr una precisión de predicción equivalente o superior en comparación con parches más grandes en su estado original, mientras reducen significativamente la carga computacional. Los hallazgos experimentales validan que PathoHR ofrece una forma potencial de integrar la resolución mejorada de imágenes con un aprendizaje de características optimizado para avanzar en la patología computacional, proporcionando una dirección prometedora para una predicción de supervivencia en cáncer de mama más precisa y eficiente. El código estará disponible en https://github.com/AIGeeksGroup/PathoHR.

English

Breast cancer survival prediction in computational pathology presents a remarkable challenge due to tumor heterogeneity. For instance, different regions of the same tumor in the pathology image can show distinct morphological and molecular characteristics. This makes it difficult to extract representative features from whole slide images (WSIs) that truly reflect the tumor's aggressive potential and likely survival outcomes. In this paper, we present PathoHR, a novel pipeline for accurate breast cancer survival prediction that enhances any size of pathological images to enable more effective feature learning. Our approach entails (1) the incorporation of a plug-and-play high-resolution Vision Transformer (ViT) to enhance patch-wise WSI representation, enabling more detailed and comprehensive feature extraction, (2) the systematic evaluation of multiple advanced similarity metrics for comparing WSI-extracted features, optimizing the representation learning process to better capture tumor characteristics, (3) the demonstration that smaller image patches enhanced follow the proposed pipeline can achieve equivalent or superior prediction accuracy compared to raw larger patches, while significantly reducing computational overhead. Experimental findings valid that PathoHR provides the potential way of integrating enhanced image resolution with optimized feature learning to advance computational pathology, offering a promising direction for more accurate and efficient breast cancer survival prediction. Code will be available at https://github.com/AIGeeksGroup/PathoHR.