集群策略的应用,用于在质谱成像中自动细分组织区域

科学领域:

• 计算生物学是一种计算生物学.
• 生物医学成像学 生物医学成像学
• 数据科学是数据科学.

背景情况:

• 质谱成像 (MSI) 是生物医学研究中的一个强大的技术,产生高维数据集,每个像素包含一个质谱.
• 分析这些复杂的组织细分数据集对于理解分子特征和发现生物标志物至关重要.
• 现有的计算方法需要改进,以便在MSI中进行高效的数据挖掘和准确的组织地图构建.

研究的目的:

• 在质谱成像 (MSI) 数据中开发和验证用于自动组织细分的计算策略.
• 评估结合t分布式随机邻近嵌入 (t-SNE) 与层次聚类 (HC) 进行MSI数据分析的有效性.
• 确定最佳的集群验证措施,以评估MSI组织细分的性能.

主要方法:

• 提出了一个四步计算策略:预处理,数据减少,聚类和定量验证.
• 该研究特别研究了t分布式随机邻居嵌入 (t-SNE) 和等级聚类 (HC) 的组合.
• 使用公开可用的MSI数据集 (小鼠泌尿膀和人类结直肠癌) 评估性能,并与染色图像进行比较,采用纯度,调整的兰德指数 (ARI),戴维斯-博尔丁指数 (DBI) 和空间聚合指数 (SAI) 等指标.

主要成果:

• t-SNE和HC的组合在生成MSI数据的组织细分图的过程中优于其他数据缩小和聚类算法.
• 空间聚合指数 (SAI) 在MSI中的自动组织细分方面表现出色.
• 与DBI等传统内部集群验证措施相比,SAI被证明是MSI细分的优越验证措施.

结论:

• 拟议的基于集群的方法可以在MSI数据集中实现自动组织细分,SAI是关键的验证指标.
• 这种方法为MSI细分的集群结果提供了比传统措施更有效的评估.
• 开发的战略预计将在基于MSI的生物医学研究中推进分子特征提取和生物标志物发现的深度学习应用.