AI在医学领域：MIL回归用于前列腺癌复发预测

news2025/4/28 16:03:32

2024年，全球男性新癌症病例预计为1029080例，其中前列腺癌病例预计为29%。前列腺癌是男性中第二常见的癌症类型，仅次于肺癌。它主要影响老年男性，且发病率随年龄增长而增加。前列腺癌的主要治疗方法是前列腺切除术，但术后复发率较高（高达 40%）。格里森评分（Gleason score）是当前用于评估前列腺癌风险等级的主要方法，它基于组织形态学特征进行分级。尽管格里森评分在临床上广泛应用，但它存在局限性，同一格里森评分等级内的复发率存在差异。近年来，深度学习方法开始被用于分析组织微阵列的数字化组织学图像，以预测生化复发。这些方法相较于传统的格里森评分，显示出了更高的预测准确性。

本文提出了一种两阶段的 MIL 回归方法来预测前列腺癌的生物化学复发时间（TTR）。该方法采用“快速思考 & 慢速思考”策略，旨在提高斑块采样/池化和推理效率。

源代码网址：https://github.com/yousuhang/IU-ComPath-LeoPard

1 方法

本文提出了一种基于多实例学习的两阶段方法，用于预测前列腺癌患者的生化复发时间 (TTR)。该方法遵循“快思考 & 慢思考”的策略，以提高预测效率和准确率。

1.1 快速定位 (Thinking Fast)

目标：快速找到与生化复发最相关的 WSI 区域。
分辨率：使用低分辨率 (≈ 16mpp) 的 WSI 进行预测，以减少推理时间。
模型：使用 CLAM-SB 模型进行分类，判断每个 WSI 是否会在特定时间阈值 T 内复发。
结果：生成每个区域的注意力图，并选择注意力得分最高的前 m% (最多 40%) 区域。
作用：过滤掉不相关的组织，为第二阶段的预测提供更精准的区域。

1.2 精细预测 (Thinking Slow)

目标：利用高分辨率 (≈ 0.25mpp) 的 WSI 预测患者的 TTR。
模型：从第一阶段选定的区域中提取 2048x2048 的 patches，并进行特征提取。使用 Cox Proportional Hazards (CPH) 模型进行回归，预测患者的复发风险 R。使用 top-k 和注意力池化选择最重要的特征进行预测。
结果：得到每个患者的 TTR 预测值。
作用：在更相关的区域内进行精细预测，提高预测准确率。

1.3 模型训练和评估

使用 Adam 优化器进行训练。
使用 AUC 和 C-index 作为评估指标。
使用交叉验证选择最佳模型参数。

1.4 可解释性

第一阶段生成注意力图，可视化最相关的区域。
第二阶段使用注意力机制，突出显示对 TTR 预测最重要的区域。

2 结果

2.1 模型性能

内部验证集：在内部验证集上，该方法取得了 0.733 的平均 C-index (σ = 0.059)，优于其他方法（MAD-MIL: 0.704 ± 0.058，AC-MIL: 0.714 ± 0.056）。
LEOPARD 挑战验证集：在 LEOPARD 挑战验证集上，该方法取得了 0.603 的 C-index (CiRadboud = 0.616, Ciexternal = 0.589)，表现良好。

2.2 消融实验结果

(A) 和 (C) 展示了在不同WSI百分比（m）下，不同top_k设置的比较。
(B) 和 (D) 比较了MAD-MIL、AC-MIL和我们提出的MIL方法在不同m参数下的最佳参数设置。
(A) 和 (B) 中的y轴代表在外保留集上评估的平均Ci值，而(C) 和 (D) 中的y轴代表Ci的标准差（σCi）。
x轴代表用于“慢速思考”阶段的图像块百分比。

2.2.1 结论

topk 和 m 的选择：通过消融实验，发现当 topk = 30 且 m = 10% 时，模型性能最佳。这表明并非 WSI 的所有区域都对 TTR 预测同等重要，关注更相关的区域可以提高预测效率和准确率。
与 MAD-MIL 和 AC-MIL 的比较：在几乎所有的 m 参数设置下，该方法在 TTR 预测方面都优于 MAD-MIL 和 AC-MIL。