PathoHR: Vorhersage des Überlebens bei Brustkrebs auf hochauflösenden pathologischen Bildern

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

March 23, 2025

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

cs.AI

Zusammenfassung

Die Vorhersage des Überlebens bei Brustkrebs in der computergestützten Pathologie stellt aufgrund der Tumorheterogenität eine bemerkenswerte Herausforderung dar. Beispielsweise können verschiedene Regionen desselben Tumors in pathologischen Bildern unterschiedliche morphologische und molekulare Merkmale aufweisen. Dies erschwert die Extraktion repräsentativer Merkmale aus Ganzschnittbildern (Whole Slide Images, WSIs), die das aggressive Potenzial des Tumors und die wahrscheinlichen Überlebensergebnisse wirklich widerspiegeln. In diesem Artikel präsentieren wir PathoHR, eine neuartige Pipeline zur präzisen Vorhersage des Brustkrebsüberlebens, die pathologische Bilder jeder Größe verbessert, um ein effektiveres Merkmalenlernen zu ermöglichen. Unser Ansatz umfasst (1) die Integration eines plug-and-play High-Resolution Vision Transformers (ViT), um die patch-basierte WSI-Darstellung zu verbessern und eine detailliertere und umfassendere Merkmalsextraktion zu ermöglichen, (2) die systematische Bewertung mehrerer fortschrittlicher Ähnlichkeitsmetriken zum Vergleich der aus WSIs extrahierten Merkmale, wodurch der Repräsentationslernprozess optimiert wird, um Tumorcharakteristika besser zu erfassen, (3) den Nachweis, dass kleinere Bildpatches, die nach der vorgeschlagenen Pipeline verbessert wurden, eine gleichwertige oder überlegene Vorhersagegenauigkeit im Vergleich zu rohen größeren Patches erreichen können, während der Rechenaufwand erheblich reduziert wird. Experimentelle Ergebnisse bestätigen, dass PathoHR eine potenzielle Möglichkeit bietet, die verbesserte Bildauflösung mit optimiertem Merkmalenlernen zu integrieren, um die computergestützte Pathologie voranzutreiben und eine vielversprechende Richtung für eine genauere und effizientere Vorhersage des Brustkrebsüberlebens aufzeigt. Der Code wird unter https://github.com/AIGeeksGroup/PathoHR verfügbar sein.

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.