评估可解释的多式联络深度学习中新兴的预培训策略,用于癌症预后
Zarif L Azher1, Anish Suvarna1, Ji-Qing Chen2,3,4
1Thomas Jefferson High School for Science and Technology, Alexandria, VA, USA.
BioData mining
|July 22, 2023
概括
癌症预后的深度学习模型从多式联络数据中受益. 预训练策略显著提高了准确性,突出了瘤微环境在疾病进展中的作用.
科学领域:
- 计算生物学是一种计算生物学.
- 医疗信息学医学信息学
- 癌症研究 癌症研究
背景情况:
- 深度学习模型分析癌症预后的分子和解剖病理学.
- 多模式数据集成可以提高预测准确度.
- 目前的方法缺乏全面的生物关系分析和先进的预训练策略.
研究的目的:
- 开发一种可解释的多式联络深度学习框架,用于癌症预后.
- 与标准方法相比,评估预培训策略 (跨模式预培训,对比学习,转移学习) 的影响.
主要方法:
- 集成的DNA甲基化,基因表达和组织病理学数据.
- 开发了一个可解释的多式联运模式建模框架.
- 与标准方法比较各种预训练策略.
主要成果:
- 与最先进的方法相比,实现了更高的性能 (平均11.54%的C指数增加).
- 超过基线的临床驱动模型 (平均C指数增加11.7%).
- 模型的解释揭示了生物学上有意义的因素考虑.
结论:
- 预训练策略的选择对于准确的癌症预后模型至关重要.
- 瘤微环境在癌症进展中起着至关重要的作用.
- 可解释模型促进临床采用和对深度学习的信任.
