Concepts de base
Unser vorgeschlagenes multiskalares Graph-Convolutional-Netzwerk (MS-GCN) ermöglicht die gleichzeitige Modellierung von Langzeitstrukturabhängigkeiten auf niedrigen Vergrößerungsstufen und hochauflösenden zellulären Details auf höheren Vergrößerungsstufen, ähnlich wie in der üblichen Analyse durch Pathologen. Die einzigartige Architektur des MS-GCN führt zu überlegener Leistung und Interpretierbarkeit gegenüber bestehenden Methoden.
Résumé
Der Artikel präsentiert einen neuen Ansatz für die Analyse digitaler Pathologiedaten, der als "Multi-Scale Graph Convolutional Network" (MS-GCN) bezeichnet wird.
Digitale Pathologie-Bilder (Whole Slide Images, WSI) haben eine sehr hohe Auflösung und stellen eine Herausforderung für herkömmliche Convolutional Neural Networks (CNNs) dar, da sie nicht vollständig in den Arbeitsspeicher passen. Bisherige Strategien wie Multiple Instance Learning (MIL) erfassen zwar lokale Kontextinformationen, vernachlässigen aber die breitere Gewebeinteraktion und zelluläre Struktur.
Graph-basierte Darstellungen von WSIs ermöglichen es, diese komplexen Interaktionen im Gewebe zu modellieren. Jüngste Fortschritte in Graph Convolutional Networks (GCNs) haben die lokale kontextuelle Analyse in WSIs verbessert. Allerdings haben Message-Passing-Algorithme, die für GCNs entscheidend sind, Schwierigkeiten, Interaktionen zwischen entfernten Regionen zu erfassen, da es zu Überglättung kommt.
Das vorgeschlagene MS-GCN nutzt die inhärente Multiskalennatur der Bildanalyse, um diese Herausforderung anzugehen. Es konstruiert einen Multiskalengraphen, bei dem die Knoten Bildpatches auf verschiedenen Vergrößerungsstufen repräsentieren. Niedrige Vergrößerungsstufen erfassen dabei die Langzeitstrukturabhängigkeiten, während höhere Stufen die detaillierten zellulären Merkmale modellieren.
Die einzigartige Architektur des MS-GCN ermöglicht es, Strukturmuster auf niedrigen Vergrößerungsstufen und detaillierte zelluläre Merkmale auf höheren Stufen gleichzeitig zu modellieren. Außerdem kann der Beitrag jeder Vergrößerungsstufe zur Vorhersage quantifiziert werden, was die Interpretierbarkeit erhöht.
Tests auf verschiedenen Datensätzen zeigen, dass MS-GCN eine überlegene Leistung gegenüber bestehenden GCN-Methoden mit einer einzelnen Vergrößerungsstufe erzielt. Diese Verbesserungen in Leistung und Interpretierbarkeit versprechen Fortschritte in der computergestützten Pathologie, insbesondere bei Aufgaben, die einen umfassenden räumlichen Kontext erfordern.
Stats
Die Auswertung von MS-GCN erfolgte auf zwei Brustkrebsdatensätzen und dem PANDA-Datensatz für Prostatakrebs. Diese Datensätze unterscheiden sich grundlegend in ihren pathologischen Bewertungskriterien.
Für Brustkrebs erzielte MS-GCN eine deutlich höhere Verbesserung gegenüber Patch-GCN als für den PANDA-Datensatz. Dies steht im Einklang mit der Hypothese, dass die Beurteilung von Brustkrebs stark von einem multiskalaren Ansatz profitiert, der Informationen von Makrostrukturen und Mikrodetails im Gewebe integrieren und interpretieren kann.
Citations
"MS-GCN kann inherent die Information in einen räumlichen und einen Vergrößerungsteil aufteilen, indem es (i) Langzeitstrukturinformationen auf der niedrigsten Vergrößerungsstufe lernt, wo die Kacheln verbunden sind, und (ii) pyramidenförmige Graphverbindungen von jeder niedrigeren Vergrößerungskachel zu ihren entsprechenden Regionen in höheren Vergrößerungskacheln rekursiv hinzufügt."
"Unsere Forschung unterstreicht den Wert der Integration niedrigerer Vergrößerungen, was zu einer überlegenen Leistung gegenüber Modellen führt, die Graphen auf die Analyse hochauflösender Daten beschränken."