Мысли и теория

Модели выживания для гистопатологии

Обзор методов машинного обучения для прогнозирования результатов лечения пациентов на основе полных изображений слайдов.

Алгоритмы машинного обучения для гистопатологических изображений становятся все более сложными. От обнаружения и классификации клеток и тканей до прогнозирования биомаркеров и результатов лечения пациентов. Более простые задачи основаны на аннотациях патологоанатомов к конкретным особенностям ткани. Но биомаркеры и исходы более сложны. Алгоритмы должны расшифровать большие целые изображения слайдов без каких-либо предварительных знаний о том, какие области ткани или характеристики ее внешнего вида важны.

Стратификация риска уже может быть выполнена с использованием стадии рака, молекулярных характеристик или клинических переменных. Однако улучшение прогнозов - это активная область исследований. Прогноз относится к вероятному исходу для пациента после стандартного лечения - например, вероятность того, что опухоль у пациента повторится, возникнут отдаленные метастазы или что он умрет.

Независимо от цели, задачи при создании такого алгоритма схожи. Полные изображения слайдов H&E большие, а внешний вид тканей разнообразен. В отличие от методов поиска митозов или сегментов типа ткани, патологи не могут аннотировать, какие области ткани связаны с исходом для пациента - по крайней мере, с какой-либо высокой степенью уверенности.

Оценка опухоли позволяет определить внешний вид клеток, но не всегда является хорошей мерой прогноза. Наблюдения патологоанатомов за степенью также сильно различаются между наблюдателями.

Целью моделей прогнозирования исходов является стратификация пациентов по риску. В этой статье будут описаны ключевые компоненты модели прогнозирования результатов для гистопатологических изображений с использованием глубокого обучения. Я опишу стратегии выбора участков изображения для моделирования, варианты функции потерь для оптимизации модели выживаемости, методы агрегирования участков изображения для формирования прогноза для всего слайда и некоторые интересные расширения модели.

Выбор патчей для изображений

Первой проблемой при обучении модели глубокого обучения на гигапиксельных полных изображениях слайдов является то, что изображения слишком велики для размещения на графическом процессоре, что делает невозможным сквозное обучение. Время выживания на уровне пациента относится ко всему слайду (или нескольким слайдам). Хотя патологоанатом может аннотировать области опухоли на слайде, он не может точно определить, какие пятна информативны для модели - это работа модели. В некоторых исследованиях патолог аннотирует области опухоли, а модель глубокого обучения использует только эти области. Другие тренируют модель CNN, чтобы отличить опухоль от опухоли, а затем используют только опухолевые области для модели выживания. Третьи включают в модель все области ткани. В этом разделе описаны эти стратегии.

Случайные исправления

Zhu et al. патологоанатом аннотировал области изображения в каждой опухоли. Затем они случайным образом выбрали один большой участок из каждой области интереса и обучили модель выживания CNN [Zhu2016]. Wulczyn et al. также произвольно выбирали патчи для обучения своей модели [Wulczyn2020].

Предиктивные исправления

Вместо случайной выборки исправлений другие методы определяют наиболее предсказуемые. Courtiol et al. обучил CNN прогнозировать риск для каждого участка изображения [Courtiol2019]. Затем модель выбрала участки с наивысшей и самой низкой оценкой для каждого пациента, чтобы обучить окончательную модель выживания.

Особенно полезно было изучить самые высокие и самые низкие участки выживаемости. Courtiol et al. обнаружили, что участки с плохой выживаемостью в основном расположены в областях стромы, и патологоанатому удалось определить их общие черты.

Кластеризация исправлений

В последующей работе Zhu et al. сгруппированные участки изображений на всех слайдах обучающей выборки [Zhu2017]. Затем они обучили отдельную модель выживания CNN для каждого кластера. Кластеры с низкой предсказательной способностью были отброшены. Функции остальных кластерных моделей были объединены в исправлениях каждого кластера. Затем другая модель выживания превратила агрегированные характеристики в прогноз риска с использованием линейной модели выживания.

Юэ и др. применили тот же подход с глобальной кластеризацией патчей и обучением модели выживания для каждого кластера отдельно [Yue2019]. Взяв только кластеры, определенные как дискриминационные, они вычислили нормализованную гистограмму предсказаний патчей и использовали SVM для изучения предсказаний на уровне кластера.

Мухаммад и др. изучили глобальную кластеризацию фрагментов изображения одновременно с моделью выживания, которая представляет каждый слайд с одним фрагментом изображения из каждого кластера [Muhammad2021].

Yao et al. сгруппировали участки изображения для каждого пациента, чтобы они могли выбрать подмножество участков с разнообразным внешним видом [Yao2020].

Кластеризация участков изображения также может позволить измерить пространственное расположение ткани. Abbet et al. сгруппированные участки изображения и вычисленные векторы признаков для каждого изображения в виде вероятностей кластера и вероятностей перехода кластера [Abbet2020]. На основе этих характеристик они обучили линейную модель выживания. Эти интерпретируемые особенности идентифицировали взаимодействия тканей, связанные с плохими или лучшими результатами.

Сегментация тканей

Другие методы позволили повысить уровень знаний при обучении моделей - в частности, о типах тканей, представленных на изображениях. Либо патолог, либо модель машинного обучения сегментирует ткань на набор классов, чтобы каждый мог быть смоделирован соответствующим образом.

Yamashita et al. классифицировал участки изображения как опухолевые или неопухолевые и отобрал 100 участков, которые с наибольшей вероятностью могут быть опухолью [Yamashita2021]. Затем их модель выживания обучалась только на этих пятнах.

Климов и др. также обучил модель CNN сегментировать изображения по классам тканей. Раковые пятна и участки стромы использовались для обучения CNN прогнозированию метастатического риска [Klimov2021].

Более обширные задачи сегментации также помогли прогнозировать выживаемость. Kather et al. сегментировали девять типов тканей и обучили модель выживания для каждого [Kather2019]. Они выбрали тех, у кого высокий коэффициент опасности, и взвесили их по этому соотношению при объединении функций CNN.

В качестве альтернативы, сегментация ткани может использоваться для вычисления более интерпретируемых признаков для прогноза выживаемости. Wang et al. идентифицировали область лимфатических узлов и областей опухоли, затем прогнозировали риск для пациента по соотношению двух областей ткани [Wang2021].

Сегментация ткани может позволить модели сфокусироваться только на определенном типе ткани. Bhargava et al. вычисляли вручную созданные характеристики внутриопухолевой стромы, чтобы зафиксировать ее морфологию [Bhargava2020]. Особенности включали структуру стромы, связность ядер, а также форму и ориентацию ядер. Этот набор функций позволил им успешно прогнозировать исходы для пациентов афроамериканского происхождения; особенности были менее предсказуемы для исхода для кавказских американцев. Интерпретируемые особенности были ключом к пониманию их модели и подчеркивали важность морфологии стромы.

Показатели и функции потерь

В предыдущем разделе обсуждался выбор участков изображения для моделирования. Следующая задача - создать модель для данных о времени до события, в которой у некоторых пациентов событие не наблюдается. Это не так просто, как двоичная классификация. Пациенты могли не умереть к концу исследования или были потеряны для последующего наблюдения во время исследования. Эти наблюдения известны как подвергнутые цензуре справа.

Определим Ti как время события для пациента i, а Ei как индикатор события. Если Ei равно 1, то событие (например, смерть) произошло в момент времени Ti. Если Ei равно 0, тогда Ti - время последнего контакта с пациентом - они подвергаются цензуре справа.

Наиболее распространенной метрикой, используемой для моделей прогнозирования времени до события, является индекс соответствия (C-index): количество совпадающих пар, деленное на общее количество возможных пар оценки. Согласованная пара - это когда алгоритм правильно предсказывает, что один пациент имеет больший риск, чем другой.

Однако функция потерь для глубокого обучения должна быть дифференцируемой для эффективного обучения с помощью оптимизатора на основе градиента. Стандартная регрессионная модель не подходит, потому что нужно было бы отбросить случаи, подвергнутые цензуре справа, а модель бинарной классификации (например, живые или мертвые через N лет) не будет использовать фактическое время выживания.

Пропорциональные опасности Кокса

Наиболее распространенным методом моделирования выживаемости является модель Пропорциональные опасности Кокса (CPH).

Давайте определим функцию выживаемости как долю пациентов, выживших в момент времени t:

Мгновенная вероятность смерти в момент времени t тогда равна

Функция CPH моделирует эффекты набора ковариат x:

Где λ₀ (t) - базовая функция риска, а h (x) - функция риска. В линейной модели CPH функция риска hᵦ (x) = βᵀx и может предсказать относительный риск для конкретного пациента с учетом этих ковариат. Обучение такой модели осуществляется путем максимизации правдоподобия или, что то же самое, частичного логарифмического правдоподобия.

В некоторых из более ранних работ по применению моделей выживания к гистологии в качестве ковариант использовались созданные вручную функции. Модели глубокого обучения используют ту же формулировку, применяя набор нелинейных операций для получения выходных данных hᵩ (x) для набора весов сети ᵠ.

Первые попытки создания глубоких моделей выживания использовали небольшое количество функций, выбранных экспертами для прогнозирования риска сердечного приступа на основе клинических переменных и риска рака груди на основе экспрессии генов и белков [Katzman2018]. Чтобы применить эту модель к гистологическим изображениям, функция потери CPH помещается поверх CNN.

Одним из недостатков модели CPH является то, что она неотделима. Во время каждой итерации обучения модели ее значение оценивается путем сравнения относительного риска пациентов в текущей группе.

Альтернативные потери выживания

Есть несколько альтернатив потере CPH, которые все еще соответствуют цензуре справа данных о выживаемости. Meier et al. экспериментировали с потерей Uno, основанной на согласовании, и потерей логрангового ранга, при которой сравниваются данные о выживаемости, скошенные вправо и цензурированные, с непараметрическим тестом [Meier2020]. Они сравнили с потерями CPH и 5-летним бинарным классификатором. Все три оценки риска сформировали лучшую тепловую карту риска, чем бинарный классификатор. Количественно Uno и logrank показали лучшие результаты, чем CPH.

Альтернативный подход, который использует как время выживания, так и данные наблюдений с цензурой справа, - это преобразование данных в многозадачную модель [Li2016, Fotso2018, Vale-Silva2020]. Ось времени разделена на интервалы, и к каждому из них применяется двоичный классификатор, чтобы предсказать, дожил ли пациент до этого момента времени. Как правило, добавляются некоторые дополнительные ограничения, чтобы гарантировать, что прогнозы для конкретного пациента по временным интервалам не увеличиваются и не сглаживаются. Для других модальностей данных были предложены другие модели выживания в дискретном времени [Gensheimer2019, Zhong2019a.]

Wulczyn et al. сравнил CPH, экспоненциальную нижнюю границу C-индекса и многозадачную классификацию с использованием кросс-энтропии, обнаружив, что последняя работает лучше всего [Wulczyn2020].

Мухаммад обнаружил, что объединение потери CPH с термином бинарной классификации дает лучшую группировку пациентов с высоким и низким риском, чем любой другой, и значительно улучшает результаты на протяженном тестовом наборе [Muhammad2021].

Ширази и др. применили связанный подход, разделив временную ось на 4 класса: 0–6 месяцев, 6–12 месяцев, 12–24 месяца и ›24 месяца [ Shirazi2020 ]. Их модель показала большой успех при глиобластоме, но также продемонстрировала некоторые проблемы обучения на полных изображениях слайдов. Время выживания для каждого пациента было нанесено на каждый пластырь на предметных стеклах. Это одно из возможных решений проблемы слабого контроля, но теперь мы рассмотрим некоторые альтернативные методы обучения моделей выживания на полных изображениях слайдов.

От патчей к слайдам

Независимо от выбранной функции потерь и того, какие участки изображения выбраны для моделирования, их необходимо объединить в единый прогноз риска для пациента. Самый простой метод - обучить модель на участках изображения независимо и усреднить полученные ими оценки по всем участкам для каждого пациента. Однако модели, которые объединяют функции исправлений до окончательного прогноза, часто оказываются более эффективными.

В этом разделе будут описаны некоторые подходы к обучению со слабым контролем, которые использовались с моделями выживания для целых слайдов. Вместо этого можно использовать другие методы слабого надзора или множественного обучения. См. Эту статью о других подходах в этой области, которую я написал.

Независимые исправления

Самый простой подход к целым изображениям слайдов - это обучить модель на участках изображения независимо. Meier et al. обучил CNN на участках изображения размером 160 x 160 пикселей с тканевого микрочипа, экспериментируя как с IHC, так и с H&E [Meier2020]. Ширази и др. также обучался работе с патчами независимо, но получил большинство голосов за прогнозы патчей [Shirazi2020].

Агрегирование функций исправлений

Вместо агрегирования прогнозов исправлений Wulczyn et al. агрегированные характеристики патча [Wulczyn2020]. Они вычислили среднее значение каждой характеристики по всем участкам для каждого пациента, прежде чем применить модель выживания поверх.

Yao et al. сначала сгруппировали участки изображения для каждого пациента, затем применили CNN к каждому участку и агрегировали по кластерам с помощью модели внимания [Yao2020]. Механизм самовнимания изучает вес для каждого вектора признаков и вычисляет взвешенную сумму. Сверху они нанесли полностью связанный слой, а затем модель выживания.

В качестве другого способа обработки нескольких участков одного слайда Бычков и др. применил рекуррентную нейронную сеть к функциям CNN, извлеченным из фрагментов изображения ядра микрочипа ткани [Bychkov2018].

Другие расширения моделей

Есть также множество расширений к вышеупомянутым подходам к моделированию выживания.

Все вышеперечисленные приложения для полных изображений слайдов каким-то образом используют CNN для моделирования изображений. Chen et al. также использовали сверточную сеть графов, в которой они извлекли топологическую структуру, соединив ядра, чтобы сформировать граф [Chen2020]. Ли и др. моделировали топологию ткани с помощью графа CNN [Li2018].

Вместо топологии ткани Лу и соавт. сосредоточены на морфологии клеток [Lu2020]. Они разработали дескриптор клеточного разнообразия и обнаружили, что он позволяет прогнозировать исход болезни.

Мультимодальные модели

Другие методы, такие как клинические данные, геномика и протеомика, также могут использоваться в моделях выживания. Vale-Silva et al. обучили модель, которая объединяет несколько модальностей данных, но обнаружила, что гистология не улучшила модель по сравнению с моделью, в которой использовались только клинические признаки [Vale-Silva2020]. Чжун и др. также изучали особенности визуализации и экспрессии генов [Zhong2019b]. Они обнаружили, что в зависимости от экспрессии гена гистологические особенности имеют ограниченную прогностическую силу; однако их особенности изображения были ограничены морфологическими характеристиками, созданными вручную.

Hao et al. также экспериментировали с комбинацией полных изображений слайдов и геномных данных и обнаружили, что эта модель превосходит ту, в которой использовался только один метод [Hao2020]. Chen et al. пришли к аналогичному выводу [Chen2020]. Они протестировали несколько стратегий моделирования: геномные особенности и целые слайды, модели CNN и графические модели CNN по гистологии.

Похоже, что консенсус состоит в том, что особенности, основанные на гистологии, могут улучшить модель выживания, которая использует геномные или клинические переменные. Однако успех может зависеть от используемых функций изображения, типа модели и набора данных, среди других факторов.

Моделирование пан-рака

Модели выживания также применялись одновременно к нескольким типам рака. Wulczyn et al. обучили модель выживаемости по 10 типам рака и оценили прогностическую силу своей модели для каждого типа рака [Wulczyn2020]. Vale-Silva et al. обучил пан-рак и мультимодальную модель по 33 типам рака [Vale-Silva2020].

Подведение итогов и рекомендации

Некоторые из вышеперечисленных подходов использовали небольшую CNN, обученную с нуля. Другие применяли трансферное обучение с более крупными архитектурами CNN, такими как VGG, ResNet или GoogLeNet. При наличии достаточного количества обучающих данных и вычислительной мощности более крупные архитектуры обычно лучше.

Все описанные выше подходы к моделированию отражают различные точки зрения на морфологию опухоли. Я пока не вижу единого мнения о лучшем подходе. Каждый из них дает различное представление о факторах, влияющих на результаты лечения пациентов.

Моделирование результатов лечения пациентов на основе полных изображений слайдов более сложно, чем просто обучение под слабым контролем. Объяснение факторов, способствующих хорошему или плохому исходу, также имеет решающее значение для улучшения нашего понимания рака.

Интерпретируемые модели уже выявили некоторые важные открытия, причем определение типов тканей является главным ключом к успеху. Соотношение площади типа ткани [Wang2021] и связность [Abbet2020] влияют на результаты. А внутриопухолевая морфология стромы может быть более сильным предиктором исхода, чем сама опухоль [Beck2011, Bhargava2020].

Bhargava et al. даже показал, что подход к моделированию, успешный для одной группы пациентов, может не подойти для другой [Bhargava2020]. Хотя это определяет возможность для успешной модели выживания, это также демонстрирует важность оценки обобщаемости модели.

При разработке новой модели, вероятно, будет важно понять, какие факторы уже были связаны с исходами для изучаемого типа рака.

В качестве альтернативы, применение модели со слабым контролем ко всем изображениям слайдов может выявить свойства ткани, которые еще не были связаны с прогнозом. Но для того, чтобы успешная модель воплотилась в новые идеи, необходимы некоторые средства объяснимости.

Функции потерь, которые приспосабливают правильно цензурированный характер данных о выживании, превосходят отдельные двоичные классификаторы. Однако многозадачные подходы, которые включают в себя несколько бинарных классификаторов или потерю выживаемости вместе с бинарным, могут обеспечить лучшую стратификацию риска.

Новые рубежи в моделировании выживаемости включают мультимодальные методы и методы борьбы с раком.

Самым большим ограничением текущих моделей, вероятно, является небольшой объем обучающих данных. По мере перехода к цифровой патологии и установления новых форм сотрудничества станут доступны более крупные наборы для обучения. Федеративное обучение может обрабатывать наборы данных, расположенные в разных центрах, когда конфиденциальность данных является проблемой [Andreux2020].

Прогностические модели, основанные на гистологических изображениях, только начинают показывать свой потенциал. Но может потребоваться больший набор данных, чтобы найти наиболее прогностические закономерности в этих гигапиксельных изображениях.

Хотите получить максимальную отдачу от ваших изображений и алгоритмов?

Хизер Д. Кутюр - основательница Pixel Scientia Labs, которая использует новейшие исследования машинного обучения, чтобы помочь командам разработчиков бороться с раком.

Свяжитесь с ней, чтобы узнать, как реализовать лучшие модели и оказать влияние.

Ссылки

[Abbet2020] К. Аббет, И. Злобец, Б. Бозоргтабар, Дж. П. Тиран, Разделяй и властвуй: самостоятельное обучение для анализа выживаемости при колоректальном раке (2020), Международная конференция по медицинской обработке изображений и компьютерной поддержке Вмешательство

[Andreux2020] M. Andreux, A. Manoel, R. Menuet, C. Saillard, C. Simpson, Федеративный анализ выживания с дискретными моделями Кокса (2020), препринт arXiv arXiv: 2006.08997

[Beck2011] А.Х. Бек, А.Р. Сангой, С. Люнг, Р.Дж. Маринелли, Т. Nielsen, M.J. Van De Vijver, R.B. West, M. Van De Rijn, D. Koller, Систематический анализ морфологии рака груди выявляет стромальные особенности, связанные с выживаемостью (2011), Science Translational Medicine

[Bhargava2020] Х.К. Бхаргава, П. Лео, Р. Эллиотт, А. Яновчик, Дж. Уитни, С. Гупта, П. Фу, К. Ямоа, Ф. Хани, Б. Робинсон, Т. Реббек, Полученная с помощью вычислений сигнатура изображения морфологии стромы является прогностическим признаком рецидива рака простаты после простатэктомии у афроамериканских пациентов (2020), Clinical Cancer Research

[Bychkov2018] Д. Бычков, Н. Линдер, Р. Тюрки, С. Нордлинг, П.Е. Кованен, К. Веррилл, М. Валлиандер, М. Лундин, К. Хаглунд, Дж. Лундин, Анализ тканей на основе глубокого обучения предсказывает исход колоректального рака (2018), Scientific Reports

[Chen2020] Р.Дж. Чен, М.Ю. Лу, Дж. Ван, Д.Ф.К. Уильямсон, С.Дж. Родиг, Н. Линдерман, Ф. Махмуд, Патомическое слияние: интегрированная структура для объединения гистопатологии и геномных характеристик для диагностики и прогноза рака (2020), IEEE Transactions on Medical Imaging

[Courtiol2019] П. Куртиоль, К. Моссион, М. Моари, Э. Пронье, С. Пильцер, М. Сефта, П. Мансерон, С. Тольдо, М. Заславский, Н. Ле Станг, Н. Жирар, Deep классификация мезотелиомы на основе обучения улучшает прогнозирование исхода болезни для пациента (2019), Nature Medicine

[Fotso2018] С. Фотсо, Глубокие нейронные сети для анализа выживаемости на основе многозадачного фреймворка (2018), препринт arXiv arXiv: 1801.05512

[Gensheimer2019] М.Ф. Геншаймер, Б. Нарасимхан, Масштабируемая модель выживания в дискретном времени для нейронных сетей (2019), PeerJ

[Hao2020] J. Hao, S.C. Kosaraju, N.Z. Цаку, Д.Х. Сонг, М. Канг, PAGE-Net: Интерпретируемое и интегративное глубокое обучение для анализа выживаемости с использованием гистопатологических изображений и геномных данных (2020), Биокомпьютинг

[Kather2019] Дж. Kather, J. Krisam, P. Charoentong, T. Luedde, E. Herpel, C.A. Weis, T. Gaiser, A. Marx, N.A. Valous, D. Ferber, L. Jansen, Прогнозирование выживаемости по слайдам гистологии колоректального рака с использованием глубокого обучения: ретроспективное многоцентровое исследование (2019), PLoS Medicine

[Katzman2018] Дж. Л. Кацман, У. Шахам, А. Клонингер, А. и др., DeepSurv: персонализированная система рекомендаций по лечению с использованием глубинной нейронной сети пропорциональных рисков Кокса (2018), BMC Medical Research Methodology

[Klimov2021] С. Климов, Ю. Сюэ, А. Гертич, Р. Грэм, Ю. Цзян, С. Бхаттарай, С.Дж. Пандол, Э.А. Ракха, доктор медицины Рейд, Р. Анеха, Прогнозирование риска метастазов в нейроэндокринных опухолях поджелудочной железы (PanNET) с использованием анализа изображений с глубоким обучением (2021 г.), Frontiers in Oncology

[Li2016] Ю. Ли, Дж. Ван, Дж. Е, К. К. Редди, Формулировка многозадачного обучения для анализа выживаемости (2016), Международная конференция ACM SIGKDD по открытию знаний и интеллектуальному анализу данных

[Li2018] Р. Ли, Дж. Яо, X. Чжу, Ю. Ли, Дж. Хуанг, Графический CNN для анализа выживаемости на всех патологических изображениях слайда (2018), Международная конференция по вычислению медицинских изображений и вмешательству с помощью компьютера

[Lu2020] К. Лу, К. Бера, X. Ван, П. Прасанна, Дж. Сюй, А. Яновчик, Н. Бейг, М. Ян, П. Фу, Дж. Льюис, Х. Чой, Прогностический модель общей выживаемости пациентов с немелкоклеточным раком легкого на ранней стадии: многоцентровое ретроспективное исследование (2020), The Lancet Digital Health

[Meier2020] А. Мейер, К. Неколла, L.C. Хьюитт, С. Эрл, Т. Йошикава, Т. Осима, Ю. Мияги, Р. Хусс, Г. Шмидт, Х.И. Грабш, Глубокое обучение выживанию без гипотез применительно к микросреде опухоли при раке желудка (2020), Журнал патологии: клинические исследования.

[Muhammad2021] Х. Мухаммад, К. Се, К.С. Сигель, М. Дукас, Л. Альперт, Т.Дж. Фукс, EPIC-Survival: сквозная кластеризация по предполагаемым частям для анализа выживаемости, с усилением прогностической стратификации (2021 г.), препринт arXiv arXiv: 2101.11085

[Shirazi2020] А.З. Заде, Э. Форначари, Н.С. Багериан и др. DeepSurvNet: сверточная сеть глубокого выживания для классификации выживаемости при раке мозга на основе гистопатологических изображений (2020), Медицинская и биологическая инженерия и вычисления

[Vale-Silva2020] Л. Вале-Сильва, К. Рохф, MultiSurv: Долгосрочное прогнозирование выживаемости при раке с использованием мультимодального глубокого обучения (2020), medRxiv 2020.08.06.20169698

[Wang2021] X. Wang, Y. Chen, Y. Gao, H. Zhang, Z. Guan, Z. Dong, Y. Zheng, J. Jiang, H. Yang, L. Wang, X. Huang, Прогнозирование желудочного исход рака из гистопатологических изображений резецированных лимфатических узлов с использованием глубокого обучения (2021 г.), Nature Communications

[Wulczyn2020] Э. Вульчин, Д.Ф. Штайнер, З. Сюй, А. Садхвани, Х. Ван, И. Фламент-Овинь, К. Мермель, П. Чен, Ю. Лю, М.С. Штумпе, Прогнозирование выживаемости на основе глубокого обучения для нескольких типов рака с использованием гистопатологических изображений (2020 г.), PLoS One

[Yamashita2021] Р. Ямасита, Дж. Лонг, А. Салим, Д.Л. Рубин, Дж. Шен, Глубокое обучение предсказывает послеоперационные рецидивы гепатоцеллюлярной карциномы на основе цифровых гистопатологических изображений (2021 г.), Научные отчеты

[Yao2020] Дж. Яо, Х. Чжу, Дж. Джоннагаддала, Н. Хокинс, Дж. Хуанг, Прогнозирование выживаемости от рака на основе полных слайд-изображений с использованием сетей глубокого множественного обучения с привлечением внимания (2020), Анализ медицинских изображений

[Yue2019] X. Юэ, Н. Димитриу, О. Аранджелович, Прогнозирование исходов рака прямой и прямой кишки на основе полных изображений слайдов H&E с использованием машинного обучения и автоматически предполагаемых профилей фенотипа (2019), препринт arXiv arXiv: 1902.03582

[Zhong2019a] К. Чжун, С. Тибширани, Анализ выживаемости как проблема классификации (2019), препринт arXiv arXiv: 1909.11171

[Zhong2019b] Т. Чжун, М. Ву, С. Ма, Изучение независимой прогностической силы экспрессии генов и особенностей гистопатологической визуализации при раке (2019), Рак

[Zhu2016] X. Zhu, J. Yao, J.Huang, Глубокая сверточная нейронная сеть для анализа выживаемости с патологическими изображениями (2016) Международная конференция IEEE по биоинформатике и биомедицине

[Zhu2017] Ю. Чжу, Дж. Яо, Ф. Чжу, Дж. Хуанг, WSISA: Прогноз выживаемости на основе гистопатологических изображений всего слайда (2017), Конференция IEEE по компьютерному зрению и распознаванию образов