2020-12-05 论文阅读

Predicting survival from colorectal cancer histology slides using deep learning: A retrospective multicenter study

2018年发表于PLOS MEDICINE，中科院分区一区10+分，论文传送门

摘要

背景

几乎所有结直肠癌(CRC)患者都有可用的苏木精伊红染色(HE染色)的病理组织切片。这些图片蕴含丰富的定量信息，但是却鲜有研究利用这些图像提取预后标志物。本研究则利用卷积神经网络(CNNs)直接从这些图像中提取预后因子。

方法与结果

本研究人工标注了86张CRC组织切片，共计产生100,000个图像块(patch)，使用这些patch进行迁移学习训练一个CNN模型，该模型在另外一个由25张CRC组织切片所产生的7,180个patch的独立数据集上达到了94%的9分类准确率。使用这个模型，我们对来自TCGA数据库500名stage I-IV的CRC患者的862张HE染色CRC组织切片进行了特征提取。基于CNN模型输出神经元的激活值，本研究计算得到一种"deep stroma score"。使用多变量Cox比例风险模型进行分析，发现该分数是CRC总体生存的独立预后因子(HR 1.99 [1.27-3.12], p=0.0028)。但是同样使用该数据，人工对基质区域进行量化的特征以及肿瘤相关成纤维细胞的基因表达特征仅可作为特定stage CRC的预后因子。本研究还使用409名来自DACHS的stage I-IV CRC患者构成的独立数据集进行验证，结果再次发现，"deep stroma score"可以被作为CRC-OS的独立预后因子(HR 1.63 [1.14-2.33], p=0.008)，CRC-specific OS的独立预后因子(HR 2.29 [1.5-3.48], p=0.0004)，RFS的独立预后因子(HR 1.92 [1.34-2.76], p=0.0004)。当然将该预后因子用于临床还需要前瞻性研究作为验证。

结论

本回顾性研究表明CNN能够评估人类肿瘤微环境，并且能够准确地利用病理组织图像预测肿瘤预后。

作者总结
1.为何进行此研究？

CRC很常见，且疾病进程各异，因此有必要准确预测单个CRC患者的结局。

几乎每名CRC患者都有可用的组织病理切片。

深度学习能够从复杂的图像中提取信息，我们假设深度学习能够直接从CRC病理图像预测结局。

2.研究做了什么？又发现了什么？

研究训练了CNN模型对CRC病理图像中的不同组织类型进行分类。

研究发现CNN模型能够分解出病理组织中的不同组织成分，然后将这些成分整合为一个预后得分。

利用两个独立数据集进行验证，研究发现利用deep stroma score对生存预测的效果超过了目前最优的UICC分级系统。

3.研究结果有何意义？

深度学习技术可被作为一种廉价的工具用于预测CRC患者的疾病进程。

需要前瞻性的验证来确立该标志物在临床中的应用可行性。

前言

精准医疗依赖于按照基因型，表型或者临床结局将肿瘤患者分为不同的组别。尽管由受过专业培训的病理专家对病理组织切片进行主观的评估是肿瘤诊断和分期的金标准，但是定量标志物的获取仍然通过目前主流的分子和基因检测。

多年来，通过数字病理技术以及经典的机器学习方法，人们已经能够将病理切片中蕴含的丰富信息进行量化。然而，临床中却没有相关的数字病理图像标志物，部分原因是技术限制，比如复杂的图像分析算法。之前已经有研究使用计算机图像分析方法对数字病理图像进行分析，用于细胞识别和分类，组织分类，细胞核有丝分裂检测，微血管分割以及免疫组化评分等。机器学习方法能够从此类图像中提取出预后因子，并且已经在放射学影像中提取预后因子。

放眼医学领域之外，CNN已经革新了图像分析领域。它能够从训练数据中提取出可用于复杂图像分类任务的特征。其应用非常广泛，从语音识别，人脸识别，交通标志分类到阿尔法狗。回到医学领域，CNNs已经被用于医学图像的分类，病理图像中癌组织的识别，实体瘤组织微阵列(TMAs)中预后因子的提取，以及肿瘤细胞核的分类等。

这些研究绝大多数集中于肿瘤细胞，但肿瘤间质成分(肿瘤组织中除了肿瘤细胞外的其他成分的统称)正在走进肿瘤研究者的视野。在诸如CRC的实体瘤中，淋巴细胞和成纤维细胞为主的成分构成了肿瘤微环境，对于肿瘤的结局有着重要的影响。有研究已经使用经典的图像分析方法和深度学习方法对肿瘤浸润淋巴细胞进行了量化，对于某些类型的肿瘤，这些量化指标与转录组数据相关。

然而，从病理图像中提取出预后因子目前面临着两大难题。其一，研究缺乏大量有标注的数据用于训练CNNs模型；其二，缺乏大量来自不同机构的有变异性的HE染色切片用于方法的外部验证。

本研究旨在结直肠癌的背景下，尽可能解决这些问题。研究使用来自两个机构的组织切片评估CNNs预测预后的能力。

方法

前瞻性研究计划

在研究开始之前，本研究人员计划训练CNN模型用于CRC病理组织图像的多组织类型分类；然后使用训练好的CNN模型对TCGA数据库的CRC病理图像进行预测，得到输出神经元的激活值并建立一种预测得分。接下来，利用收集到的来自DACHS数据集的外部数据验证这一预测因子。

患者队列以及数据

本研究使用了来自4个队列的HE染色组织切片。由组织切片得到的patch大小为224×224224\times224224×224像素，并且经过了Macenko方法进行标准化。使用这种标准化方法是因为原始图像中的红蓝色调存在微小差异，这种差异会影响分类结果。

首先，使用来自NCT biobank和UMM pathology archive的86张组织切片所产生的100,000个patch创建训练集(NCT-CRC-HE-100K，无随访数据，下载链接)。图1展示了一些patch。

图1 来自NCT-CRC-HE-100K的图片，每张图片表示的是一种病理组织类型。ADI表示脂肪组织；BACK表示背景；CRC表示结直肠癌；DEB表示碎屑；LYM表示淋巴细胞；MUC表示黏液组织；MUS表示平滑肌组织；NORM表示正常结肠粘膜；STR表示肿瘤相关间质组织；TUM表示结直肠腺癌上皮

研究参照以往研究论文的相关做法，人工标注了9种组织类型，然后将组织切片图像进行切块，得到互不重叠的patch，9种组织类型的图像块确保基本均衡，这9种组织类型包括：脂肪组织、背景、结直肠癌组织、碎屑、淋巴细胞、黏液组织、平滑机组织、正常结肠粘膜、肿瘤相关间质组织以及结直肠腺癌上皮组织。

其次，使用来自NCT biobank DACHS研究的25张CRC组织切片产生的7,180个patch创建测试集(CRC-VAL-HE-7K，无随访数据，下载链接)。

再次，收集来自TCGA数据库的500名CRC患者的862张HE染色组织切片(COAD和READ，链接，有随访数据，专家标注)。选择该队列以使样本量与类似研究中的样本量相当。对于该TCGA数据集，研究使用的是其中的快速冰冻切片标本，原因是分子分析所用的组织就是取自快速冰冻样本。由病理专家对这500张组织切片图像进行评阅，将不合格的切片予以剔除(slides with tissue folds, torn tissue, or other artifacts, as well as slide without any tumor tissue)。对于分析所使用的患者，研究同样获取了他们的基因表达数据。人工对这些切片进行标注，在0.5μm/px(MPP)水平标注1500×15001500\times15001500×1500px的区域。使用这些患者对应的RNA-seq数据，参照相关论文计算得到肿瘤相关成纤维细胞得分(CAF score)，该分数是通过计算CAF signature基因表达的平均水平得到的(CAF signature基因列表见文件)。如果一个患者有多张病理切片，那么这个得分就取均值。将OS作为主要终点，使用训练好的CNNs模型对该数据集进行特征提取得到deep stroma score。另外，患者的一些分类变量和连续变量指标见分类和连续。下图展示了按照UICC分期该数据集的OS。

图2 按照UICC分期得到的OS曲线

TCGA的这些切片来自于全世界的多个结构。缺少结局信息的数据被剔除。
最后，研究收集DACHS队列的409名患者的409张HE染色组织切片连同随访信息作为独立的测试集数据用以验证deep stroma score。主要结局指标为OS，次要结局指标为DSS和RFS。样本量的大小以可用的样本为准。该数据集的患者信息见分类变量和连续变量。

神经网络的训练和测试

研究使用了多种不同的CNNs结构，权重均经ImageNet数据集训练迁移而来。研究将替换网络的分类层并使用带动量的随机梯度下降进行模型训练。研究评估了五种不同CNNs结构的表现，分别是：VGG19、AlexNet、SqueezeNet version 1.1、GoogLeNet以及ResNet50。为了衡量这些模型的表现，研究将NCT-CRC-HE-100K的数据划分为三部分，其中70%为训练集，15%为验证集，另外15%被用作测试集。使用两张NVIDIA P6000 GPU进行训练，batch size为360，学习率为0.0003，迭代次数为8次。研究发现除了SqueezeNet以外，其他四种CNNs的分类准确率均大于97%，其中VGG19的准确率最高(98.7%)，训练时间适中(见下图)。

因此在所有的实验中，均使用VGG19，训练好的VGG19模型权重见链接。

训练所做的数据增强包括图像随机水平和垂直翻转，patch的尺寸为224×224224\times224224×224px。

使用上面所述的100,000个patch对模型训练以后，研究在外部数据集CRC-VAL-HE-7K的7,180个patch上进行了验证，所有的patch尺寸均为224×224224\times224224×224px。

接下来，将模型应用到更大量的数据集上。使用滑动框(sliding window)的方式从切片图像中提取存在部分重叠的patch，并将这些patch输入到模型中。模型的softmax输出值(对于VGG19来说，该层位于layer46)，每个神经元代表一种类别的输出概率，取值范围在0到1之间，对于每个patch，模型得到的softmax输出值都被存储了起来。每种类别用一种颜色表示，每个像素的颜色使用该位置的patch得到的每一类概率的加权和的颜色来表示。如果某人有多张图像，对每一类的概率求均值作为其概率值。

神经网络训练的评估

为了评估模型训练的质量，研究采用3种方式进行了论证：① 验证在一个独立训练集上的分类准确率；② 采用tSNE对深层特征的分类情况进行可视化；③ 使用DeepDream对深层神经元激活值进行可视化。

Deep stroma score

对于每张来自TCGA的每张病理组织切片，每张上面标注出的有1500×15001500\times15001500×1500的区域，我们得到每一类的softmax激活值在这片区域上的均值，这样我们会得到9个均值。对于TCGA数据集，我们共得到862个patch；对于DACHS数据集，我们共得到1,349个patch，如下图所示。

如果一个患者有多张切片，取激活值的均值作为该患者的激活值。另外，在分析之前，所有的图像都是经过Macenko标准化的。

使用TCGA数据得到每个患者的每一类的激活值得分之后，研究把每一类的激活值得分作为一个自变量，使用单变量Cox比例风险模型评估每一类激活值对于OS的影响。对于这9类组织类型(脂肪组织，背景，碎屑，淋巴细胞，黏液组织，平滑肌组织，正常结肠粘膜组织，肿瘤间质以及结肠癌上皮组织)的激活值，分别对应的HR为1.150, 0.015, 5.967, 1.226, 0.488, 3.761, 0.909, 1.154和0.475。然后，使用ROC分析选取每一类激活值预测生存(yes/no)的阈值，选取准则是使得Youden指数最大的点的阈值，于是得到每一类对应的阈值分别为0.00056, 0.00227, 0.03151, 0.00121, 0.01123, 0.02359, 0.06405, 0.00122和0.99961。接下来，将HR>1的组织类型激活值按照下面的步骤整合为一个得分: 计数HR>1的组织类型激活值共有5类，加上一项none，分别用0-5的整数来表示(参照的论文源码)；使用每一类对应的HR作为权重对激活值进行加权求和，加权的目的是给予那些和预后密切相关的特征更多的权重，这个HR权重是通过单变量Cox模型获得的。因为该得分是多种非肿瘤成分（间质）信息综合得到的，于是将其称为"deep stroma score"。需要注意的是，间质是除肿瘤细胞外的所有成分的统称，它包括多种组织类型，比如：增生基质，淋巴细胞以及脂肪组织。在TCGA数据集中，该得分的中位数为8.347，后续使用该值将患者分为高得分组和低得分组。对于DACHS数据集，研究使用同样的方式进行分析，其中34%的患者被划分为高得分组，66%的患者被划分为低得分组。使用这些二分法得到的值，在调整了UICC分期(连续型变量, 1, 2, 3 or 4)，性别(male or female)和年龄的情况下，进行多变量Cox分析，以估计HR以及对应的95%置信区间。

研究比较了不同类型的评分的预后能力，包括本研究提出的deep stroma score，CAF得分以及病理专家标注评估得分。阈值的划分标准为：deep stroma score采用中位数为阈值；CAF得分以及病理专家评估得分采用Youden指数最大点阈值为划分阈值。然后均在调整了分期，年龄和性别的情况下分别对三种得分进行多变量Cox分析。

过程总结

总的来说，研究通过迁移学习的方式在100,000个patch上对5种不同的CNNs结构进行了比较，并利用100,000数据集中划分出的内部测试集和一个外部数据集作为测试，选出了VGG19为最佳的模型。然后利用训练得到的VGG19模型从标注好的病理图像中提取组织特征并将其整合为"deep stroma score"。使用了来自两个队列的909名患者对该分数的预后能力进行了验证。

软件

所有的统计学分析都是使用R(version 3.4.0)完成的，用到的R包有: survminer, survival, ggfortify, ggplot2, OptimalCutpoints。p<0.05为有统计学显著性。使用JASP0.8.5.1进行统计学描述。使用Matlab R2018a进行模型训练，源码见链接。

结果

CNNs能够从病理图像中学习到形态学特征

研究使用来自NCT-HE-100K的100,000个patch图像进行迁移学习训练得到VGG19模型，并在来自CRC-VAL-HE-7K的7,180个patch图像上进行了验证。9类分类准确率在内部测试集上达到了99%，在外部测试集上达到了94.3%。从B图可以看出错误分类主要发生在平滑肌和间质以及淋巴细胞和碎屑(坏死)，这种错分是在意料之内的，因为平滑肌组织和间质都是纤维结构，坏死通常伴有淋巴细胞的浸润。在一项类似的多分类研究中，其分类准确率尚未达到90%。

研究还使用tSNE对模型深层特征进行了可视化展示，发现这种特征能够很好地将不同类别区分开来。这表明CNN模型学习到了可以区分这9种不同组织类型的图像特征。

接下来，使用DeepDream方法对模型学习到的形态学特征进行可视化，据我们所知，在此研究之前尚未有人将该方法应用到病理图像中。如图所示：

这些组织结构特征对于人类来说是比较容易理解的：比如正常结肠粘膜存在规则的纹理特征；大肠癌上皮中存在不规则的纹理特征。研究还用模型对更多的patch进行了预测，如下图所示。

研究还对组织切片的一部分进行了激活值的可视化，如下图所示。

基于以上的结果，研究得出结论，CNNs可以学习到不同组织类型的特征，并且比之前的有关研究在多分类方面取得更高的准确率。另外我们的数据也表明使用大批量的数据训练的CNN模型效果会更好。

CNNs能够分解复杂的组织成分

基于前述所得的CNN能够区分病理图像中的不同组织成分的结论，接下来研究将评估CNN能否从图像中提取到预后相关的信息。为此，我们使用来自TCGA的500名患者的有专家标注的HE染色病理组织切片，这些图片来自不同的机构，并且取自快速冰冻组织，质量也参差不齐。从中取有少许重叠的patch，我们发现模型可以从这些复杂的图像中对不同组织成分进行分类，产生如下图所示的合理的网络激活图。

结直肠癌CRC能够被分为四种不同的分子亚型(CMSs)。对于所有有RNA-seq数据的患者，使用论文的方法计算得到CMS。其中CMS1型表现为弥漫型免疫浸润；CMS4型表现为基质细胞增多。通过CNN进行的组织成分分解也得到了同样的结果：相比其他型别，CMS1型的淋巴细胞输出神经元的激活值要明显增加(p<0.001)；CMS4型的间质输出神经元的激活值要明显增加(*p<0.001)。如下图所示：

于是可以得出结论，CNN能够分解不同的组织成分，并且和CRC分子分型中所体现的组织成分的表现一致。

CNNs能够从HE染色病理图像中提取预后因子

研究确认了CNN能够从含有复杂组织成分的病理图像中提取出合理的特征，于是接下来研究每一类输出神经元的激活值是否携带有预后相关的信息。研究分别使用每一类的输出神经元激活值拟合单变量Cox比例风险模型，研究发现9类中有5类的激活值增加和不良预后有关(脂肪组织: HR=1.150；坏死碎屑：HR=5.967；淋巴细胞：HR=1.226；平滑肌组织：HR=3.761；间质组织：HR=1.154)。基于这些结果，我们研究综合了这些特征的“deep stroma score”是否可以作为一个独立的预后因子。这个得分综合了多种非肿瘤成分，是通过综合量化CNN输出神经元各类激活值得到的。事实上，在TCGA数据集中，该得分在单变量Cox模型以及调整了UICC分期，年龄和性别的多变量Cox模型中都是OS的独立预后因子，见下图：

我们假设在不同的分期情况下，该得分的预后能力会有所不同，因此研究使用多变量Cox计算了每一种分期下该得分的预后能力。事实上，如下图所示，随着肿瘤分期的增加，该得分的HR值是逐渐增加的，我们得出结论：该得分是CRC患者的独立预后因子，有着较强的预测预后的能力，尤其对于晚期的患者，比如UICC4期患者。

Deep stroma score和金标准方法的比较

得出了deep stroma score能够作为预后因子以后，研究将该得分与目前常用的金标准方法进行比较以评估deep stroma score预测预后的能力。这两种方法分别记为pathologist score和CAF score，其中前者是病理专家人工评估标本中间质所占的比例值，后者是肿瘤相关成纤维细胞基因表达量计算得到。这两种得分在CRC以及其他肿瘤中被认为与生存有关。但是需要注意的是，这两种得分和deep stroma score所捕捉的信息不同，deep stroma score综合了多种非肿瘤成分，而不是仅局限于增生的间质。

对于每一种得分，分别在调整了UICC分期，性别和年龄协变量的情况下拟合多变量Cox模型，得到每一种得分的HR。研究发现CAF score在II期和III期是CRC的独立预后因子，HR分别为2.35 [1.06-5.23], p=0.036；4.14 [1.58-10.82]，p=0.0038。pathologist score在任何期别都不是独立预后因子。deep stroma score在IV期是CRC的独立预后因子，另外，在整体分期中，deep stroma score是独立预后因子(HR=1.99 [1.27-3.12], p=0.0028)，而CAF score和pathologist score均不是。
Deep stroma score和CAF score以及pathologist score均不相关(p>0.05)。然而，deep stroma score中的间质成分的得分与CAF score是存在相关性的(Pearson相关系数为0.26, p<0.001)。这个相关系数要比pathologist score与CAF score之间的相关系数要大(相关系数0.20, p<0.001)，这表明CNN模型在检测基因表达中反映间质成分方面达到了和专家一致的水平。另外，还研究了肿瘤成分类别的激活值与肿瘤纯度之间的相关性，结果发现二者之间不存在相关性。综合可得出结论，CNN模型在提取肿瘤相关成分方面并不擅长，而在提取间质成分方面效果很好。

此外，研究还和目前被认为CRC预后评判金标准的UICC分期进行了比较。如下图所示：

可以发现TNM分期确实是CRC的一个很好的预后因子，但是在调整了TNM分期以后的多变量Cox模型中，deep stroma score仍然是一个显著的预后因子。

在另一个独立数据集上评估Deep stroma score的效果

已经证实了deep stroma score携带有预后信息，于是本研究在另外一个独立数据集上进行验证。通常标志物在外部数据集上验证的效果不好，部分原因是组织样本的变异性大。研究使用来自DACHS的409名CRC患者的石蜡包埋HE染色切片进行验证。计算得到这些患者的deep stroma score，划分deep stroma score所使用的阈值仍旧使用TCGA数据集得到的中位数阈值。分别做了OS, DSS以及RFS的多变量Cox分析。结果发现，deep stroma score在三种生存时间上都为预后因子，HR分别为：1.63 [1.14-2.33], p=0.008；2.29 [1.5-3.48], p=0.0004；1.92 [1.34-2.76], p=0.0004.这些结果都是在调整了分期，性别和年龄协变量的基础上得到的。考虑肿瘤的不同分期，可以发现，deep stroma score的预后作用在I期和II期是不显著的，但是在III期和IV期是显著的。结果再次表明，deep stroma score是CRC的独立预后因子，具有一定的预后作用，尤其对于晚期肿瘤患者。

讨论

本研究表明，在调整了肿瘤分期，性别和年龄协变量的情况下，CNN模型从CRC病理图像中提取到的肿瘤间质微环境特征可以被作为预后因子，研究使用了500名来自TCGA的患者数据得出其为OS的预后因子；使用409名来自DACHS的患者数据得出其为OS, DSS以及RFS的预后因子。研究表明deep stroma score显著地扩展了UICC TNM分期系统，可以作为目前最优的预后模型，其利用到了更多综合性的信息。近期Danielsen等人的研究使用了图像特征预测II期CRC患者的预后。本研究的deep stroma score在III期和IV期CRC患者中可被作为预后因子，因此本研究很好地补充了他们的研究结果。

目前CNNs模型在复杂医学影像上的应用正在改变着这个领域，但是这项技术的临床转化却仍处于初步阶段。主要受制于两个原因：①训练CNN需要庞大的有标注的数据，而这些数据在病理图像研究中不易获取；②使用神经网络进行风险评估需要在临床队列数据中进行验证。在本研究中，我们把以上两点问题都进行了解决，针对数据量的问题，我们使用了一个包含100,000个病理图像块的数据集，远超同类研究中所使用的数据量；针对外部队列验证问题，我们在两个不同的外部队列上对研究所提出的CRC预后因子进行了验证。使用CNN方法，我们发现其确实能够准确对病理图像块进行分类并且能将复杂的病理组织分解为不同的组成成分。另外，研究发现综合了分解后的不同组织成分所得到的deep stroma score能够作为TCGA数据集CRC患者OS的预后因子，在另外一个外部数据集上同样验证了deep stroma score的预后作用。因此，我们提出一种新的可用于临床的预后标志物，因为该标志物仅仅依赖于临床广泛可用的HE染色组织切片。

在结直肠癌研究中，肿瘤间质含有预后相关的信息，可以通过主观病理学评估，经典数字病理分析以及基因组学和蛋白质组学进行探索和分析。但是据我们所知，至今尚未有研究使用深度学习的方法探索肿瘤间质中所包含的预后信息。因此，本研究开创了使用深度学习的方式探索肿瘤间质成分中所蕴含的预后信息的先例，并且是以一种客观且可重现的方式进行的。

我们的研究可以作为前瞻性临床研究的基础。近期研究关注的领域是确定可能从密集治疗中受益的晚期高危肿瘤患者。在数字病理学工作流程中，我们的方法能够自动识别CRC肿瘤组织并且计算deep stroma score。这并不是要取代病理医生，而是要增强和加速病理医生的评估过程，同时使得他们的评估过程更加的客观和可重复。

就像所有使用深度学习方法的医学影像研究一样，可能有人会提出质疑，deep stroma score究竟代表了什么信息。CNN模型将组织中的非肿瘤成分进行了量化，将它们综合为一个得分，即deep stroma score。因此，乍一看，它似乎只是充当了各种组织类别的预后作用的综合体。然而，由于CNN模型的输出层是softmax，所以其还能够量化不同组织成分所占的比例。举个例子来说，比如一个病理图像块含有30%的肿瘤间质成分和70%的肿瘤上皮成分，这种情况下，该病理组织是高度异质的，对于病理医生来说，他们很难肉眼区分不同组织成分所占的比例。我们的方法也不同于使用基因表达的方法去估计间质成分所占的比例，它们需要对大量异质的组织进行测序进而推断间质成分所占的比例。和基因表达的方式相比，使用深度学习的方法的一个最大优点就是HE染色的组织切片很容易获得，几乎每个肿瘤患者都有对应的组织切片，而且组织切片的扫描和分析过程比较廉价。此外，深度学习方法的分析结果是可重现的：如果对同一张图像进行先后两次分析，算法会输出同样的结果，这一点非常适合于临床应用。

作为一项回顾性的研究，本研究所提出的deep stroma score在应用于临床之前需要经过前瞻性的验证。本研究的另外一个局限性是，本研究是人工对肿瘤区域进行标注，而这一过程其实可以以一种自动化的方式进行。

本研究公开了标注好的病理图像数据，数据集的规模是之前研究的20倍。这一点非常重要，因为深度学习是数据驱动的，需要大量有标注的数据，而这些数据在数字病理研究中稀缺。因此我们的方法和数据可以用作将来研究的一个参考基准。

个人对于论文的复现

论文实验流程图