PathoHR : Prédiction de survie au cancer du sein sur des images pathologiques haute résolution

Résumé

La prédiction de la survie au cancer du sein en pathologie computationnelle représente un défi majeur en raison de l'hétérogénéité tumorale. Par exemple, différentes régions d'une même tumeur sur une image pathologique peuvent présenter des caractéristiques morphologiques et moléculaires distinctes. Cela rend difficile l'extraction de caractéristiques représentatives à partir d'images de lames entières (WSIs) qui reflètent véritablement le potentiel agressif de la tumeur et les résultats de survie probables. Dans cet article, nous présentons PathoHR, une nouvelle pipeline pour la prédiction précise de la survie au cancer du sein, qui améliore la résolution des images pathologiques de toute taille pour permettre un apprentissage plus efficace des caractéristiques. Notre approche comprend (1) l'intégration d'un Vision Transformer (ViT) haute résolution plug-and-play pour améliorer la représentation par patchs des WSIs, permettant une extraction de caractéristiques plus détaillée et complète, (2) l'évaluation systématique de plusieurs métriques de similarité avancées pour comparer les caractéristiques extraites des WSIs, optimisant ainsi le processus d'apprentissage de représentation pour mieux capturer les caractéristiques tumorales, (3) la démonstration que des patchs d'images plus petits améliorés suivant la pipeline proposée peuvent atteindre une précision de prédiction équivalente ou supérieure à celle des patchs plus grands bruts, tout en réduisant significativement la charge de calcul. Les résultats expérimentaux valident que PathoHR offre une voie prometteuse pour intégrer une résolution d'image améliorée avec un apprentissage de caractéristiques optimisé, faisant progresser la pathologie computationnelle et ouvrant une direction prometteuse pour une prédiction de la survie au cancer du sein plus précise et efficace. Le code sera disponible à l'adresse 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.

PathoHR : Prédiction de survie au cancer du sein sur des images pathologiques haute résolution

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

Résumé

Support