SurvIAE:使用可解释自编码器从扩散大B细胞淋巴瘤基因表达数据进行生存预测
Gian Maria Zaccaria1, Nicola Altini1, Giuseppe Mezzolla1
1Department of Electrical and Information Engineering (DEI), Polytechnic University of Bari, Via Edoardo Orabona, 4, Bari 70126, Italy.
Computer methods and programs in biomedicine
|December 13, 2023
概括
一个名为SurvIAE的新工具使用自编码器和XAI来预测扩散型大B细胞淋巴瘤的预后. 它识别了一种基因特征,使风险评估超出当前标准.
科学领域:
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
- 在瘤学瘤学.
背景情况:
- 需要新的生物标志物来评估分散型大B细胞淋巴瘤 (DLBCL) 的风险.
- 目前的风险分层方法需要改进.
- 自动编码器 (AE) 和可解释的人工智能 (XAI) 为生物标志物发现提供了潜力.
研究的目的:
- 开发和验证一个计算管道 (SurvIAE) 用于DLBCL的预后风险分层.
- 通过使用AE和XAI获得基因特征,以改善DLBCL风险评估.
- 为了比较SurvIAE与修订的国际预测指数 (R-IPI) 的表现.
主要方法:
- 来自三个公共DLBCL数据集的基因表达数据使用AE进行了处理,用于无监督表示学习.
- 一个多层感知器 (MLP) 模型根据潜伏表征对预后进行了分类.
- 通过XAI技术,可以从表现最好的AE-MLP模型 (SurvIAE-Small-PFS36) 中识别出基因特征.
- 由此产生的签名在一个独立的DLBCL数据集上得到了验证.
主要成果:
- AE模型有效地减少了基因表达数据中的批量效应.
- 在预测无进展生存率 (PFS36和PFS60) 方面,SurvIAE显著优于R-IPI.
- 基于GAB1和GPR132的表达水平,建立了三种风险组分层,完善了R-IPI类别.
结论:
- SurvIAE显示了在DLBCL中获得临床相关基因特征的潜力.
- 开发的管道为其他疾病的预后生物标志物发现提供了可重复使用的框架.
- 这种方法增强了DLBCL风险分层,并具有翻译影响.
