Aprendizaje profundo multimodal selectivo para una clasificación confiable de subtipos de cáncer de mama a partir de...

Área de la Ciencia:

• Biología computacional y bioinformática.
• Patología digital y aprendizaje automático.

Sus antecedentes:

• La clasificación precisa de los subtipos de cáncer de mama es crucial para el tratamiento personalizado y el pronóstico.
• La integración de datos histopatológicos y de secuencias de ARN presenta desafíos debido a la heterogeneidad de los datos.
• Los métodos existentes luchan con la combinación efectiva de datos multimodales para una mejor clasificación.

Objetivo del estudio:

• Desarrollar un marco multimodal robusto que combine datos histológicos y transcriptómicos para la clasificación de subtipos de cáncer de mama.
• Para mejorar la precisión de la clasificación, la interpretabilidad y la eficiencia computacional.
• Introducir un mecanismo de enrutamiento inteligente consciente de la incertidumbre para una inferencia optimizada.

Principales métodos:

• Utilizó el transformador de visión CTransPath para la extracción de características histológicas de imágenes de diapositivas completas (WSIs).
• Integrar características estandarizadas de ARN-seq en un espacio latente compartido.
• Implementó y evaluó técnicas de fusión multimodal (atención enfocada, atención cruzada, concatenación) con un mecanismo de enrutamiento inteligente consciente de la incertidumbre.

Principales resultados:

• El modelo multimodal basado en enrutamiento logró una precisión del 94,93% en el conjunto de datos TCGA-BRCA, superando a los métodos de fusión unimodal y fijo.
• El mecanismo de enrutamiento redujo la inferencia multimodal al 38.2% de las muestras, lo que produjo una aceleración computacional de 3.12x.
• El despliegue de atención visualizó regiones histológicas discriminativas, mejorando la interpretabilidad y la distinción entre subtipos similares (por ejemplo, Luminal A / B).

Conclusiones:

• La integración de la histología derivada de CTransPath con los perfiles transcriptómicos a través del enrutamiento consciente de la confianza ofrece un enfoque práctico y explicable.
• El marco propuesto mejora significativamente la precisión de la clasificación de subtipos de cáncer de mama y la eficiencia computacional.
• Este método es adecuado para sistemas de apoyo a la decisión clínica, proporcionando información interpretable para la evaluación patológica.