Regression kann HRD aus Histologie vorhersagen Wir haben einen regressionsbasierten DL-Ansatz entwickelt, der einen durch SSL trainierten Feature-Extraktor und ein attMIL-Modell kombiniert und als CAMIL-Regression bezeichnet wird. Wir haben die Fähigkeiten dieses Ansatzes zur Vorhersage von HRD direkt aus Pathologiebildern getestet und dabei verschiedene Krebsarten wie Brustkrebs, Darmkrebs, Glioblastom, Lungenadenokarzinom, Lungen-Plattenepithelkarzinom, Bauchspeicheldrüsenadenokarzinom und Gebärmutterkrebs untersucht. Unsere Modelle konnten HRD-Status mit hohen AUROCs vorhersagen, sowohl in der Trainings- als auch in der Validierungskohorte. Diese Daten zeigen, dass regressionsbasiertes DL den HRD-Status allein aus Pathologiebildern vorhersagen kann.
Regression übertrifft den klassifizierungsbasierten Ansatz Wir haben die Leistung unseres DL-Ansatzes, CAMIL-Regression, mit zwei state-of-the-art-Ansätzen verglichen und festgestellt, dass die Regression in 5 von 7 getesteten Krebsarten die beste Vorhersageleistung für HRD erbrachte. In externen Validierungskohorten erzielte die Regression sogar noch höhere AUROCs. Diese Daten zeigen, dass Regression robustere Merkmale lernt und bessere Vorhersagen ermöglicht als Klassifizierung, selbst wenn der Klassifizierungsansatz auf binäre Kategorien trainiert wurde.
Regression verbessert die Vorhersage von biologischen Prozess-Biomarkern aus Histologie Unsere CAMIL-Regression konnte zusammen mit anderen biologischen Prozess-Biomarkern, wie Proliferation, stromaler Anteil und Immunzellen, mit hohen AUROCs vorhersagen. Die Regression erzielte eine bessere Leistung als die Klassifizierung und die Regression nach Graziani et al. Dies zeigt, dass Regression mehr nuancierte morphologische Muster lernt und eine höhere Korrelation erreicht.
Regression verbessert die Korrespondenz mit klinischem Wissen in der Biomarker-Vorhersage aus Histologie Unsere Studie zeigte, dass die Regression eine bessere Korrespondenz mit klinisch relevanten Regionen aufweist als die Klassifizierung, wenn es um die Vorhersage von biologischen Prozess-Biomarkern geht. Die Regression konnte prognostische Merkmale überzeugend lernen, was zu einer verbesserten Vorhersage von Überlebensraten bei kolorektalen Krebspatienten führte. Diese Ergebnisse legen nahe, dass der regressionsbasierte Ansatz die Klassifizierung in der Prognoseleistung übertrifft.
Zusammenfassend konnte unsere Studie zeigen, dass die Regression aus Histologiebildern robuste Vorhersagemodelle für HRD und andere biologische Prozess-Biomarker erstellen kann. Die Regression ermöglicht präzisere Vorhersagen und eine bessere Korrelation mit klinischen Erkenntnissen, wodurch sie eine vielversprechende Methode für die Analyse von Pathologiebildern in klinischen Anwendungen darstellt.