对高度多重化的组织成像数据分析中的深度学习应用进行审查

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 深度学习 (DL) 对瘤学产生了重大影响,有助于使用各种生物数据进行临床发现和生物标志物预测.
• DL算法分析基因组学,蛋白质组学和成像数据,预测遗传变异效应和蛋白质结构.
• 空间奥米克技术,如空间转录和蛋白质组学,提供机械生物学见解.

研究的目的:

• 审查人工智能 (AI) 的影响,特别是DL,与瘤学中的空间omics技术相结合.
• 专注于用于瘤学的生物医学图像分析中的DL应用,包括细胞细分,表型识别,预后和治疗预测.
• 突出高度多重复合图像的优点,而不是传统的遗传病理图像,以深入的机械洞察力.

主要方法:

• 在瘤学中分析空间空间数据中的DL应用的审查.
• 将高度多重化的图像 (空间蛋白质组学) 与传统的基因病学图像进行比较.
• 基于DL的管道的评估,用于预处理高度多重化的图像 (细胞细分,细胞类型注释).

主要成果:

• DL与空间奥米克相结合,提供了传统成像无法获得的深度机械洞察力,即使是可解释的AI.
• 基于DL的管道为预处理高度多重化的图像提供了优点和缺点,有助于管道选择.
• DL对于使用高度多重化的组织成像数据发现新生物机制至关重要.

结论:

• 当与空间奥米克技术相结合时,DL是发现生物机制的重要工具.
• 在临床常规中DL的作用正在增长,支持瘤诊断,预后和决策.
• 将DL与先进的成像技术相结合,有望提高瘤学中的患者护理质量.