PiDeeL:一种基于代谢途径的深度学习模型,用于质瘤的生存分析和病理分类

科学领域:

• 计算生物学 计算生物学
• 在瘤学瘤学.
• 医疗信息学 医疗信息学

背景情况:

• 在手术期间对瘤特征的评估对于手术决策至关重要.
• 目前基于代谢学的瘤病理预测模型面临由于数据集小以及模型复杂性的局限性.
• 增强对瘤组织的反可以提高外科手术的精度和患者的预后.

研究的目的:

• 开发一种由代谢途径为基础的深度学习模型 (PiDeeL),用于加强手术内瘤病理学评估和生存分析.
• 提高基于代谢学的瘤预测模型的准确性和降低复杂性.
• 为外科医生提供实时,数据驱动的反,以优化瘤切除策略.

主要方法:

• 开发了PiDeeL,这是一个深度学习模型,将代谢途径信息与代谢物度数据集成在一起.
• 采用了生存分析和病理分类技术.
• 利用重要性分析来解释模型预测,并确定关键的代谢特征.

主要成果:

• 与最先进的方法相比,PiDeeL在瘤病理预测方面表现出卓越的表现,ROC曲线下的面积提高了3.38%,精度回忆曲线下的面积提高了4.06%.
• 在生存分析的时间依赖一致性指数中取得了4.3%的改善.
• 特定途径的神经元分析提供了对瘤代谢的见解,突出了该模型的可解释性.

结论:

• 基于代谢途径的深度学习显著提高了瘤病理学预测和生存分析的准确性.
• PiDeeL为手术内外科指导提供了一个有前途的工具,可能会改善患者的治疗结果.
• 该模型的可解释性有助于在手术过程中更深入地了解瘤代谢.