利用深度学习对肿瘤组织图像进行泛癌分类( Pan-cancer classifications of tumor histological images using deep learning )

J Noorbakhsh S Farahmand M Soltanieh-Ha S Namburi JH Chuang

组织病理学图像对于癌症类型的诊断和最佳治疗方案的选择是必不可少的。然而，目前临床上人工检查图像的过程非常耗时，而且容易存在观察者内部和观察者之间的可变性。在这里，我们展示了癌症图像分析的关键方面可以通过深度卷积神经网络（CNNs）跨广泛的癌症类型进行。特别是，我们实现了基于Google Inception v3迁移学习的CNN架构，以分析肿瘤/正常状态、癌症亚型和突变状态研究中来自癌症基因组图谱23个队列的27815张H&E幻灯片。对于19种实体癌类型，我们能够以极高的AUCs(0.995±0.008)对整个幻灯片图像进行肿瘤/正常状态分类。我们还能够在10种组织类型中对癌症亚型进行分类，其AUC值远高于随机预期（微平均值0.87±0.1)。然后，我们执行跨肿瘤类型的肿瘤/正常状态的交叉分类分析。我们发现，在一种类型上训练的分类器通常能够有效地区分其他癌症类型的肿瘤和正常癌症，分类器之间的关系与已知的癌症组织关系相匹配。对于突变状态这一更具挑战性的问题，我们可以使用完全训练的CNN对三种癌症类型的TP53突变进行分类，其AUCs在0.65-0.80之间，并且在不同组织之间具有相似的交叉分类精度。这些研究表明CNNs不仅能对不同类型癌症的组织病理学图像进行分类，还能揭示肿瘤之间的共同生物学特性。我们在以下网址提供了软件：https://github.com/javadnoorb/histcn

SciDown文献求助系统（解决99%问题） Public Download ResearchGate