展開可能なデジタル病理学のための軽量マルチがん腫瘍局在化フレームワーク

要約: ヘマトキシリン・エオジン染色全スライド画像からの腫瘍領域の正確な局在化は、空間解析、分子プロファイリング、組織構造の検討を含む橋渡し研究において基本的である。しかし、特定のがん種の内部で訓練された深層学習ベースの腫瘍検出は、異なる腫瘍タイプに適用すると頑健性が低下することがある。我々は、適度な規模でがん種間でバランスの取れた訓練を行うことで、高い性能を達成し、未知の腫瘍タイプへも一般化できるかを調査した。マルチがん腫瘍局在化モデル（MuCTaL）は、DenseNet169を用いた転移学習により、4種のがん（メラノーマ、肝細胞癌、大腸癌、非小細胞肺癌）から得た79,984枚の重複しないタイルで訓練された。モデルは4種類の訓練がんの検証データにおいてタイルレベルROC-AUC 0.97を達成し、独立した膵管腺癌コホートでは0.71を記録した。空間的腫瘍確率ヒートマップを生成し、既存のデジタル病理ツールと互換性のあるスケーラブルな推論ワークフローを構築した。コードおよびモデルは https://github.com/AivaraX-AI/MuCTaL にて公開されている。