Primary liver cancer classification from routine tumour biopsy using weakly supervised deep learning

本文讨论了原发性肝癌（PLCs）的诊断问题，特别是在活检和混合型肝细胞-胆管癌（cHCC-CCA）的诊断中。作者运用弱监督学习方法，自动对常规染色的活检标本进行PLCs分类。作者利用弱肿瘤/非肿瘤标注来训练Resnet18神经网络，并利用网络的最后一个卷积层来提取新的肿瘤图块特征。然后，作者利用无监督聚类算法，识别了肝细胞癌（HCC）和肝内胆管癌（iCCA）的特定特征。虽然没有识别出cHCC-CCA的特定特征，但在一张切片中识别出HCC和iCCA图块，可以促进原发性肝癌的诊断，特别是cHCC-CCA的诊断。在166个PLC活检标本中，作者将90个样本用于训练，29个样本用于内部验证，47个样本用于外部验证。两名肝脏病理学家分别审查了每个全切片苏木精伊红染色（HES）图像。在标注肿瘤/非肿瘤区域后，从WSI中提取了256x256像素的图块，并用于训练ResNet18。作者利用网络提取新的图块特征，然后应用无监督聚类算法对其进行聚类。在两个聚类模型中，聚类0和1主要包含HCC和iCCA组织学特征。在内部和外部验证集中，病理诊断与模型预测之间的诊断一致性为HCC 100％（11/11）和96％（25/26），iCCA为78％（7/9）和87％（13/15）。对于cHCC-CCA，我们观察到每个聚类中图块的比例高度变化（聚类0：5-97％；聚类1：2-94％）。

本文旨在通过弱监督学习方法，使用Resnet18神经网络对常规染色肝癌组织切片进行自动分类，以解决原发性肝癌（PLCs）的诊断难题，特别是对于混合型肝细胞-胆管细胞癌（cHCC-CCA）的诊断问题。

本文的关键思路是使用弱监督学习方法，将肿瘤/非肿瘤标注作为训练标签，使用Resnet18神经网络提取新的肿瘤切片特征，并应用无监督聚类算法来自动分类常规染色肝癌组织切片。通过识别肝细胞癌（HCC）和肝内胆管癌（iCCA）的特定特征，来协助PLCs的诊断，特别是cHCC-CCA的诊断。

本文将166个PLC组织切片分成训练集、内部验证集和外部验证集，使用两位肝脏病理学家对每张WSI全切片进行审核。使用Resnet18神经网络提取新的肿瘤切片特征，并应用无监督聚类算法来自动分类常规染色肝癌组织切片。在两个簇模型中，簇0和簇1主要包含HCC和iCCA组织学特征。在内部和外部验证集中，病理诊断和模型预测的诊断一致性为HCC 100％（11/11），iCCA 78％（7/9）和87％（13/15），cHCC-CCA的分类结果高度可变。

近年来，许多研究都致力于使用深度学习技术来诊断肝癌。例如，文章[1]提出了一种使用卷积神经网络（CNN）来诊断肝癌的方法，该方法可以自动从组织切片中提取特征并进行分类。文章[2]提出了一种使用多任务学习方法来诊断肝癌的方法，该方法可以同时识别多种类型的肝癌。