简单总结
由于肿瘤的异质性，肝细胞癌的准确预后预测仍然具有挑战性。我们比较了两种基于组织病理学全切片图像的深度学习方法：一种是传统的基于补丁的模型，另一种是采用多实例学习的基础模型。基础模型在不同组织类型中的表现稳定，而传统模型在使用所有组织区域时表现较差。性能会随着数据集的不同而下降，这突显了数据异质性带来的挑战。重要的是，该模型能够捕捉到超出肿瘤分级的预后信息，并识别出有意义的组织病理学模式。这些发现表明，基于基础模型的方法能够提供稳健且可解释的预后信息，可能有助于补充临床评估。
摘要
背景：由于肿瘤的显著异质性，肝细胞癌（HCC）的准确预后分层仍然具有挑战性。基于深度学习（DL）的方法，特别是卷积神经网络（CNN），已被广泛用于利用组织病理学图像进行预后预测。最近，结合多实例学习（MIL）的病理学基础模型成为一种有前景的替代方案。在这项研究中，我们旨在对基于传统CNN的方法和基于基础模型的方法进行比较评估，重点关注组织选择策略和跨数据集的泛化能力。 方法：我们比较了基于补丁的CNN方法和基于基础模型的MIL方法，用于从苏黎世圣玛丽医院（SSMH）和TCGA数据集中的苏木精-伊红染色全切片图像预测总生存期（OS）。研究共纳入了256名SSMH患者和334名TCGA患者的数据。模型使用所有组织区域或仅肿瘤区域，在五折交叉验证下进行训练。模型性能通过一致性指数（C-index）、Kaplan–Meier分析和时间依赖的接收者操作特征分析进行评估。跨数据集验证和联合数据集训练用于评估泛化能力。 结果：在SSMH数据集中，仅使用肿瘤区域的CNN模型表现更好（C-index为0.8308），而使用所有组织区域的模型表现较差（C-index为0.7498）。相比之下，基于基础模型的MIL方法在不同输入区域下的表现稳定（C-index分别为0.8701和0.8752）。TCGA数据集也观察到了类似的稳定性（C-index分别为0.7744和0.7722）。跨数据集验证显示性能有所下降，表明泛化能力有限。合并数据集并未提升性能。亚组分析显示了超出组织学分级的预后信息，特征可视化揭示了相关的组织病理学模式。 结论：基于基础模型的MIL方法为HCC提供了稳健且可解释的预后建模。基于DL的预测提供了超出传统临床病理学变量的补充信息。未来整合多模态数据并提高泛化能力的工作对于临床应用至关重要。
