一个新且高效的数字病理学分类器,用于使用序列器架构预测癌症生物标志物

科学领域:

• 数字病理学数字病理学
• 计算瘤学是一种计算瘤学.
• 发现生物标志物的发现.

背景情况:

• 变压器和CNN在数字病理学方面表现出色,但资源密集.
• 需要高效准确的数字病理学分类器来预测癌症生物标志物.

研究的目的:

• 开发和评估DPSeq,一种新且高效的数字病理学分类器.
• 使用基因病理图像预测关键结肠直肠癌生物标志物.
• 为了比较DPSeq的性能与最先进的CNN和变压器模型.

主要方法:

• 微调了一个测序器架构,集成双向长期短期内存网络.
• 利用了来自癌症基因组图谱和分子和细胞瘤学数据集的血素和素染色结肠直肠癌图像.
• 评估了DPSeq对微卫星不稳定性,高突变,CpG岛甲基器表型,BRAF,TP53突变和染色体不稳定性的预测性能.

主要成果:

• DPSeq在预测结直肠癌生物标志物方面表现出色.
• 在内部和外部交叉队列验证中表现优于现有的最先进的分类器.
• 与四个CNN和两个转换器相比,在接收器操作特征和精确回忆曲线下实现了优越的区域,用于关键生物标志物.
• 由于其更简单的架构,需要更少的培训和预测时间.

结论:

• DPSeq是一种高效和高效的分类器,用于预测结直肠癌生物标志物.
• 在准确性和资源效率方面,DPSeq超过了变压器和CNN模型.
• 在数字病理学中,DPSeq是生物标志物预测的首选替代方案.