PathoHR: 고해상도 병리학적 이미지를 활용한 유방암 생존 예측

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

March 23, 2025

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

cs.AI

초록

컴퓨테이셔널 패솔로지(Computational Pathology)에서 유방암 생존 예측은 종양의 이질성으로 인해 상당한 도전 과제로 남아 있습니다. 예를 들어, 병리학 이미지에서 동일한 종양의 다른 영역이 서로 다른 형태학적 및 분자적 특성을 보일 수 있습니다. 이는 전체 슬라이드 이미지(WSI)에서 종양의 공격성 잠재력과 생존 결과를 진정으로 반영하는 대표적인 특징을 추출하기 어렵게 만듭니다. 본 논문에서는 더 효과적인 특징 학습을 가능하게 하기 위해 모든 크기의 병리학 이미지를 향상시키는 정확한 유방암 생존 예측을 위한 새로운 파이프라인인 PathoHR을 제안합니다. 우리의 접근 방식은 (1) 패치 단위 WSI 표현을 향상시켜 더 상세하고 포괄적인 특징 추출을 가능하게 하는 플러그 앤 플레이 고해상도 Vision Transformer(ViT) 통합, (2) WSI에서 추출된 특징을 비교하기 위해 여러 고급 유사성 메트릭을 체계적으로 평가하여 종양 특성을 더 잘 포착할 수 있도록 표현 학습 과정 최적화, (3) 제안된 파이프라인을 통해 향상된 더 작은 이미지 패치가 원본의 더 큰 패치와 동등하거나 더 나은 예측 정확도를 달성하면서도 계산 오버헤드를 크게 줄일 수 있음을 입증하는 것으로 구성됩니다. 실험 결과는 PathoHR이 향상된 이미지 해상도와 최적화된 특징 학습을 통합하여 컴퓨테이셔널 패솔로지를 발전시키고, 더 정확하고 효율적인 유방암 생존 예측을 위한 유망한 방향을 제시할 수 있는 잠재력을 가지고 있음을 검증합니다. 코드는 https://github.com/AIGeeksGroup/PathoHR에서 제공될 예정입니다.

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.