PathoHR: Overlevingsvoorspelling bij borstkanker op hoog-resolutie pathologische afbeeldingen

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

March 23, 2025

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

cs.AI

Samenvatting

Het voorspellen van overleving bij borstkanker in computationele pathologie vormt een aanzienlijke uitdaging vanwege tumorheterogeniteit. Zo kunnen verschillende regio's van dezelfde tumor in het pathologiebeeld verschillende morfologische en moleculaire kenmerken vertonen. Dit maakt het moeilijk om representatieve kenmerken te extraheren uit whole slide images (WSI's) die werkelijk het agressieve potentieel van de tumor en de waarschijnlijke overlevingsuitkomsten weerspiegelen. In dit artikel presenteren we PathoHR, een nieuwe pijplijn voor nauwkeurige voorspelling van overleving bij borstkanker, die pathologische beelden van elke grootte verbetert om effectievere kenmerklearning mogelijk te maken. Onze aanpak omvat (1) de integratie van een plug-and-play high-resolution Vision Transformer (ViT) om de patch-gewijze WSI-representatie te verbeteren, waardoor gedetailleerdere en uitgebreidere kenmerkenextractie mogelijk wordt, (2) de systematische evaluatie van meerdere geavanceerde gelijkenismetrieken voor het vergelijken van uit WSI's geëxtraheerde kenmerken, waardoor het representatielearningproces wordt geoptimaliseerd om tumor kenmerken beter vast te leggen, (3) de demonstratie dat kleinere beeldpatches die volgens de voorgestelde pijplijn zijn verbeterd, een gelijke of superieure voorspellingsnauwkeurigheid kunnen bereiken in vergelijking met onbewerkte grotere patches, terwijl de computationele overhead aanzienlijk wordt verminderd. Experimentele bevindingen bevestigen dat PathoHR een potentiële manier biedt om verbeterde beeldresolutie te integreren met geoptimaliseerde kenmerklearning om computationele pathologie vooruit te helpen, en zo een veelbelovende richting biedt voor nauwkeurigere en efficiëntere voorspelling van overleving bij borstkanker. Code zal beschikbaar zijn op 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.