PathoHR: Predizione della Sopravvivenza al Cancro al Seno su Immagini Patologiche ad Alta Risoluzione

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

March 23, 2025

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

cs.AI

Abstract

La previsione della sopravvivenza nel cancro al seno in patologia computazionale rappresenta una sfida notevole a causa dell'eterogeneità tumorale. Ad esempio, diverse regioni dello stesso tumore nell'immagine patologica possono mostrare caratteristiche morfologiche e molecolari distinte. Ciò rende difficile estrarre caratteristiche rappresentative dalle immagini a tutto vetrino (WSI) che riflettano veramente il potenziale aggressivo del tumore e i probabili esiti di sopravvivenza. In questo articolo, presentiamo PathoHR, una nuova pipeline per la previsione accurata della sopravvivenza nel cancro al seno che migliora immagini patologiche di qualsiasi dimensione per consentire un apprendimento delle caratteristiche più efficace. Il nostro approccio prevede (1) l'integrazione di un Vision Transformer (ViT) ad alta risoluzione plug-and-play per migliorare la rappresentazione patch-wise delle WSI, consentendo un'estrazione delle caratteristiche più dettagliata e completa, (2) la valutazione sistematica di molteplici metriche di similarità avanzate per confrontare le caratteristiche estratte dalle WSI, ottimizzando il processo di apprendimento della rappresentazione per catturare meglio le caratteristiche del tumore, (3) la dimostrazione che patch di immagini più piccole migliorate seguendo la pipeline proposta possono raggiungere un'accuratezza di previsione equivalente o superiore rispetto a patch più grandi grezze, riducendo significativamente il sovraccarico computazionale. I risultati sperimentali confermano che PathoHR offre un potenziale modo di integrare una risoluzione delle immagini migliorata con un apprendimento delle caratteristiche ottimizzato per avanzare la patologia computazionale, proponendo una direzione promettente per una previsione della sopravvivenza nel cancro al seno più accurata ed efficiente. Il codice sarà disponibile all'indirizzo 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.