使用 PORPOISE 进行生存预测 (TCGA GBMLGG)

该模型使用 GBMLGG 的 H&E 染色数字病理图像预测患者的总生存期。它由 Jakub Kaczmarzyk 使用 PORPOISE 训练。这是对 PORPOISE 论文的复现尝试。

原始期刊文章：https://doi.org/10.1016/j.ccell.2022.07.004

如果您发现此模型有用，请确保引用原始出版物。

输入：边长为 128um 的图块包，使用 CTransPath 嵌入。

输出类别：四个时间点的风险对数

要根据模型输出 logits 计算任意风险分数，请使用以下代码：

hazards = torch.sigmoid(logits)
S = torch.cumprod(1 - hazards, dim=1)
risk = -torch.sum(S, dim=1)

数据

该模型使用 TCGA-GBMLGG 数据集进行训练。全切片图像被切割成 128x128um 的图块，每个图块使用 CTransPath 编码（产生 768 维嵌入）。

训练和验证划分由原始 PORPOISE 代码提供。这里我们报告第 3 折的模型，因为它的 c-index 在所有折中最高。

样本量：

• 训练集：810 张切片（455 名患者）
• 验证集：201 张切片（114 名患者）

复用此模型

要在命令行中使用此模型，请参阅 WSInfer-MIL。

或者，您可以使用 PyTorch 或 ONNX 来运行模型。首先，使用 CTransPath 对 128um x 128um 的图块进行嵌入。然后将嵌入包传递给模型。

import onnxruntime as ort
import numpy as np
embedding = np.ones((1_000, 768), dtype=\"float32\")
ort_sess = ort.InferenceSession(\"model.onnx\")
logits, attention = ort_sess.run([\"logits\", \"attention\"], {'input': embedding})
# 要获取风险分数，请实现以下代码：
# hazards = sigmoid(logits)
# S = cumprod(1 - hazards, dim=1)
# risk = -sum(S, dim=1)

中位风险分数为 -3.22，该值用于将患者分为低风险组和高风险组。

模型性能

该模型在验证集上达到 0.83 的 c-index。

预期用途

此模型仅用于研究目的。

此模型不得用于临床目的。 此模型分发时不附带任何明示或暗示的保证。