PathoHR: Predição de Sobrevivência ao Câncer de Mama em Imagens Patológicas de Alta Resolução

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

Resumo

A previsão de sobrevivência ao câncer de mama na patologia computacional apresenta um desafio notável devido à heterogeneidade do tumor. Por exemplo, diferentes regiões do mesmo tumor na imagem patológica podem exibir características morfológicas e moleculares distintas. Isso dificulta a extração de características representativas das imagens de lâmina inteira (WSIs) que realmente refletem o potencial agressivo do tumor e os prováveis resultados de sobrevivência. Neste artigo, apresentamos o PathoHR, um novo pipeline para a previsão precisa da sobrevivência ao câncer de mama que melhora qualquer tamanho de imagens patológicas para permitir uma aprendizagem de características mais eficaz. Nossa abordagem envolve (1) a incorporação de um Vision Transformer (ViT) de alta resolução plug-and-play para aprimorar a representação de patches de WSIs, permitindo uma extração de características mais detalhada e abrangente, (2) a avaliação sistemática de múltiplas métricas de similaridade avançadas para comparar características extraídas de WSIs, otimizando o processo de aprendizagem de representação para capturar melhor as características do tumor, (3) a demonstração de que patches menores de imagem aprimorados seguindo o pipeline proposto podem alcançar precisão de previsão equivalente ou superior em comparação com patches maiores brutos, enquanto reduzem significativamente a sobrecarga computacional. Os resultados experimentais validam que o PathoHR oferece uma maneira potencial de integrar a resolução aprimorada da imagem com a aprendizagem de características otimizada para avançar a patologia computacional, oferecendo uma direção promissora para uma previsão de sobrevivência ao câncer de mama mais precisa e eficiente. O código estará disponível em 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.