Key points are not available for this paper at this time.
Die bildbasierte Klassifikation der Gewebehistologie, in Bezug auf verschiedene Komponenten (z. B. normaler Fingerabdruck, Kategorien abweichender Fingerabdrücke), bietet eine Reihe von Indizes für die Tumorzusammensetzung. Die Aggregation dieser Indizes in jedem gesamten Schnittbild (WSI) aus einer großen Kohorte kann prädiktive Modelle für den klinischen Ausgang liefern. Allerdings wird die Leistung der bestehenden Techniken durch große technische und biologische Variationen behindert, die in einer großen Kohorte immer vorhanden sind. In diesem Papier schlagen wir zwei Algorithmen zur Klassifikation der Gewebehistologie vor, die auf robusten Darstellungen des morphometrischen Kontexts basieren, die auf nuklearen morphometrischen Merkmalen an verschiedenen Standorten und Skalen im Rahmen der räumlichen Pyramidensuche (SPM) basieren. Diese Methoden wurden an zwei unterschiedlichen Datensätzen verschiedener Tumorarten getestet, die aus dem Cancer Genome Atlas (TCGA) gesammelt wurden, und die experimentellen Ergebnisse zeigen, dass unsere Methoden (i) erweiterbar auf verschiedene Tumorarten sind; (ii) robust in Gegenwart breiter technischer und biologischer Variationen sind; (iii) invariant gegenüber verschiedenen Kernsegmentierungsstrategien sind; und (iv) skalierbar mit variierender Trainingsprobengröße sind. Darüber hinaus deuten unsere Experimente darauf hin, dass die Durchsetzung von Sparsamkeit während der Konstruktion des morphometrischen Kontexts die Leistung des Systems weiter verbessert.
Chang et al. (Sat.) untersuchten diese Frage.