Benchmarking Histopathology Foundation Models for Ovarian Cancer Bevacizumab Treatment Response Prediction from Whole Slide Images
作者: Mayur Mallya, Ali Khajegili Mirabadi, Hossein Farahani, Ali Bashashati
分类: eess.IV, cs.CV, cs.LG
发布日期: 2024-07-30
💡 一句话要点
利用病理学基础模型，从WSI预测卵巢癌贝伐珠单抗治疗反应
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 卵巢癌 贝伐珠单抗 治疗反应预测 病理学基础模型 全切片图像 多示例学习 深度学习 生物标志物
📋 核心要点
- 缺乏预测贝伐珠单抗治疗反应的生物标志物是卵巢癌个性化治疗的瓶颈。
- 利用大规模WSI训练的病理学基础模型提取肿瘤特征，预测贝伐珠单抗的治疗反应。
- 实验表明该方法能有效预测治疗反应，最佳模型AUC达0.86，准确率72.5%，并能显著分层高低风险病例。
📝 摘要（中文）
贝伐珠单抗是一种广泛研究的靶向治疗药物，与标准化疗联合用于治疗复发性卵巢癌。虽然其应用已显示出可提高晚期卵巢癌患者的无进展生存期（PFS），但缺乏可识别的生物标志物来预测患者反应一直是其有效应用于个性化医疗的主要障碍。本文利用在大型全切片图像（WSI）数据集上训练的最新组织病理学基础模型，提取卵巢肿瘤组织特征，以预测WSI的贝伐珠单抗反应。我们通过不同组织病理学基础模型和多示例学习（MIL）策略的组合进行的大量实验，证明了这些大型模型在预测卵巢癌患者贝伐珠单抗反应方面的能力，最佳模型实现了0.86的AUC评分和72.5%的准确率。此外，我们的生存模型能够对高危和低危病例进行统计学意义上的分层（p < 0.05），即使在具有侵袭性高级别浆液性卵巢癌亚型的患者中也是如此。这项工作强调了组织病理学基础模型在从WSI预测卵巢贝伐珠单抗反应任务中的效用。这些模型突出显示的WSI高关注区域不仅有助于模型的可解释性，而且还可以作为有希望的治疗预后成像生物标志物。
🔬 方法详解
问题定义：该论文旨在解决卵巢癌患者对贝伐珠单抗治疗反应预测的问题。现有方法缺乏有效的生物标志物，无法准确预测患者的治疗反应，导致个性化治疗受限。传统方法依赖于人工特征提取或浅层机器学习模型，难以充分利用WSI中蕴含的丰富信息。
核心思路：论文的核心思路是利用在大规模病理图像数据集上预训练的组织病理学基础模型，提取WSI中的肿瘤组织特征，并结合多示例学习（MIL）策略，预测患者对贝伐珠单抗的治疗反应。这种方法能够充分利用预训练模型的强大特征提取能力，并克服WSI数据量大、标注困难等挑战。
技术框架：整体框架包括以下几个主要阶段：1) WSI预处理：对WSI进行切片，生成图像块（patches）。2) 特征提取：使用预训练的组织病理学基础模型（如某种Transformer模型）提取每个图像块的特征向量。3) 多示例学习：将每个WSI视为一个包（bag），每个图像块视为一个实例（instance），使用MIL算法（如Attention-based MIL）学习包级别的预测。4) 治疗反应预测：基于MIL的输出，预测患者对贝伐珠单抗的治疗反应。5) 生存分析：使用生存模型评估预测结果对患者生存期的影响。
关键创新：最重要的技术创新点在于将大规模预训练的组织病理学基础模型应用于卵巢癌贝伐珠单抗治疗反应预测。与传统方法相比，该方法能够自动学习更具判别性的肿瘤特征，无需人工特征工程。此外，结合MIL策略，能够有效处理WSI数据量大、标注困难等问题。
关键设计：论文的关键设计包括：1) 选择合适的组织病理学基础模型，例如基于Transformer的模型，以充分利用其强大的特征提取能力。2) 设计有效的MIL算法，例如Attention-based MIL，以学习图像块之间的关系，并突出与治疗反应相关的关键区域。3) 优化模型训练策略，例如使用合适的损失函数和正则化方法，以避免过拟合。
🖼️ 关键图片
📊 实验亮点
实验结果表明，基于组织病理学基础模型和MIL策略的方法能够有效预测卵巢癌患者对贝伐珠单抗的治疗反应，最佳模型实现了0.86的AUC评分和72.5%的准确率。生存分析表明，该模型能够对高危和低危病例进行统计学意义上的分层（p < 0.05），即使在具有侵袭性高级别浆液性卵巢癌亚型的患者中也是如此。这些结果表明，该方法具有很强的临床应用潜力。
🎯 应用场景
该研究成果可应用于卵巢癌的精准医疗，辅助医生判断患者是否适合接受贝伐珠单抗治疗，避免不必要的治疗副作用，并为患者选择更合适的治疗方案。此外，该方法提取的WSI高关注区域可作为潜在的成像生物标志物，用于指导药物研发和临床试验。未来，该技术有望推广到其他癌症类型的治疗反应预测。
📄 摘要（原文）
Bevacizumab is a widely studied targeted therapeutic drug used in conjunction with standard chemotherapy for the treatment of recurrent ovarian cancer. While its administration has shown to increase the progression-free survival (PFS) in patients with advanced stage ovarian cancer, the lack of identifiable biomarkers for predicting patient response has been a major roadblock in its effective adoption towards personalized medicine. In this work, we leverage the latest histopathology foundation models trained on large-scale whole slide image (WSI) datasets to extract ovarian tumor tissue features for predicting bevacizumab response from WSIs. Our extensive experiments across a combination of different histopathology foundation models and multiple instance learning (MIL) strategies demonstrate capability of these large models in predicting bevacizumab response in ovarian cancer patients with the best models achieving an AUC score of 0.86 and an accuracy score of 72.5%. Furthermore, our survival models are able to stratify high- and low-risk cases with statistical significance (p < 0.05) even among the patients with the aggressive subtype of high-grade serous ovarian carcinoma. This work highlights the utility of histopathology foundation models for the task of ovarian bevacizumab response prediction from WSIs. The high-attention regions of the WSIs highlighted by these models not only aid the model explainability but also serve as promising imaging biomarkers for treatment prognosis.