PathoHR: Прогнозирование выживаемости при раке молочной железы на основе высококачественных патологических изображений

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

March 23, 2025

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

cs.AI

Аннотация

Прогнозирование выживаемости при раке молочной железы в вычислительной патологии представляет собой значительную проблему из-за гетерогенности опухоли. Например, различные области одной и той же опухоли на патологическом изображении могут демонстрировать различные морфологические и молекулярные характеристики. Это затрудняет извлечение репрезентативных признаков из изображений целых срезов (WSI), которые действительно отражают агрессивный потенциал опухоли и вероятные исходы выживаемости. В данной статье мы представляем PathoHR, новый подход для точного прогнозирования выживаемости при раке молочной железы, который улучшает изображения любого размера, чтобы обеспечить более эффективное обучение признакам. Наш подход включает (1) интеграцию модульного высокоразрешающего Vision Transformer (ViT) для улучшения представления фрагментов WSI, что позволяет более детально и полно извлекать признаки, (2) систематическую оценку нескольких современных метрик сходства для сравнения признаков, извлеченных из WSI, оптимизируя процесс обучения представлений для лучшего захвата характеристик опухоли, (3) демонстрацию того, что меньшие фрагменты изображений, улучшенные с использованием предложенного подхода, могут достигать эквивалентной или превосходящей точности прогнозирования по сравнению с исходными большими фрагментами, при этом значительно снижая вычислительные затраты. Экспериментальные результаты подтверждают, что PathoHR предлагает потенциальный способ интеграции улучшенного разрешения изображений с оптимизированным обучением признаков для продвижения вычислительной патологии, открывая перспективное направление для более точного и эффективного прогнозирования выживаемости при раке молочной железы. Код будет доступен по адресу 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.