一个新的深度学习框架来处理组织微阵列 (TMA) 的矩阵辅助激光消化/电离质谱成像 (MALDI-MSI) 数据

科学领域:

• 质谱仪成像成像 质谱仪成像
• 深度学习 (Deep Learning) 是一种深度学习.
• 计算病理学计算病理学

背景情况:

• 矩阵辅助激光溶解离子质谱成像 (MALDI-MSI) 能够直接进行组织分析,提供无需样本破坏的分析物分布的见解.
• 目前用于MALDI-MSI数据分析的自动化系统经常忽视空间关系,通过在点级处理数据,限制它们在组织微阵列 (TMA) 中的应用.

研究的目的:

• 开发一种新的深度学习框架 (mNet),用于在组织-针芯层面分析来自TMA的MALDI-MSI数据.
• 纳入数据增强技术,以解决生物医学研究中小型数据集大小的常见限制.
• 评估mNet在使用乳腺癌和肺癌TMAs的癌症检测任务中的性能.

主要方法:

• 提出了mNet,这是一个设计用于分析来自TMA的MALDI-MSI数据的深度学习框架,保留空间上下文.
• 实施了数据增强策略,以增强训练数据集大小,以改善模型通用化.
• 将框架应用于来自乳腺和肺癌样本的TMA,用于种族检测分析.

主要成果:

• 与传统的机器学习方法相比,mNet框架在TMA上的种族检测任务中表现出更高的性能.
• 该研究成功地分析了MALDI-MSI数据在组织针芯水平,保持样本的原始空间信息.
• 数据增强技术在提高深度学习应用有限的生物医学数据的实用性方面被证明是有效的.

结论:

• 像mNet这样的深度学习框架对于协助病理学家分析组织样本具有重大潜力.
• 拟议的方法提供了一种无标签,高通量方法,用于分析来自TMA的复杂MALDI-MSI数据.
• 在MALDI-MSI数据分析中保留空间上下文对于准确的解释和改进的诊断能力至关重要.