病理組織学およびゲノムデータからの信頼性の高い乳がんサブタイプ分類のための選択的マルチモーダル深層学習

科学分野:

• 計算生物学およびバイオインフォマティクス
• デジタル病理学および機械学習

背景:

• 正確な乳がんサブタイプ分類は、個別化治療と予後のために不可欠です。
• 組織病理学およびRNA-seqデータの統合は、データの不均一性により課題をもたらします。
• 既存の方法では、分類改善のためにマルチモーダルデータを効果的に組み合わせることが困難です。

研究 の 目的:

• 組織学的および転写産物学的データを組み合わせた堅牢なマルチモーダルフレームワークを開発し、乳がんサブタイプ分類を行うこと。
• 分類精度、解釈可能性、計算効率を向上させること。
• 推論を最適化するための不確実性を認識したスマートルーティングメカニズムを導入すること。

主な方法:

• CTransPathビジョン・トランスフォーマーを使用して、全スライド画像（WSI）から組織学的特徴を抽出しました。
• 標準化されたRNA-seq特徴を共有潜在空間に統合しました。
• 不確実性を認識したスマートルーティングメカニズムを備えたマルチモーダル融合技術（ゲート付きアテンション、クロスアテンション、連結）を実装および評価しました。

主要な成果:

• ルーティングベースのマルチモーダルモデルは、TCGA-BRCAデータセットで94.93%の精度を達成し、単一モダリティおよび固定融合法を上回りました。
• ルーティングメカニズムは、マルチモーダル推論をサンプルの38.2%に削減し、計算速度を3.12倍向上させました。
• アテンションロールアウトは、識別性の高い組織学的領域を視覚化し、解釈可能性を高め、類似サブタイプ（例：ルミナルA/B）間の区別を改善しました。

結論:

• CTransPath由来の組織学と転写産物プロファイルを、信頼性を認識したルーティングを通じて統合することは、実用的で説明可能なアプローチを提供します。
• 提案されたフレームワークは、乳がんサブタイプ分類の精度と計算効率を大幅に向上させます。
• この方法は、病理学的評価のための解釈可能な洞察を提供する臨床意思決定支援システムに適しています。