病理图:一种基于注意力的图形神经网络,能够根据CD276标记恶性质瘤细胞进行预测
Islam Alzoubi1, Lin Zhang1, Yuqi Zheng2
1School of Computer Science, The University of Sydney, J12/1 Cleveland St, Darlington, Sydney, NSW 2008, Australia.
Cancers
|February 24, 2024
概括
我们开发了一个结合双焦卷积神经网络 (BCNN) 和基于注意力的图形神经网络 (abGCN) 的AI工具,用于分析复杂的组织图像. 这个框架通过解释整个幻灯片图像中的蛋白质表达模式来实现自动化癌症预后.
科学领域:
- 计算病理学计算病理学
- 医学中的人工智能
- 癌症免疫学 癌症免疫学
背景情况:
- 对整个幻灯片图像 (WSI) 的定量形态分析提供了高分辨率的蛋白质分布数据.
- 复杂的免疫组织化学结果通常涉及多个细胞和细胞外位置的蛋白质.
- 现有的卷积神经网络 (CNN) 模型在复杂的组织数据中难以处理全球信息.
研究的目的:
- 通过基于注意力的图形神经网络 (abGCN) 增强人工智能框架 (PathoFusion),用于对免疫组织化学数据进行高级分析.
- 在WSIs中实现复杂蛋白质定位模式的自动解释.
- 研究CD276表达与癌症,特别是质瘤的预后之间的关系.
主要方法:
- 使用双焦卷积神经网络 (BCNN) 进行形态结构的初始检测和计数.
- 集成了一个基于注意力的图形神经网络 (abGCN) 来创建WSIs的细胞细节的图形表示.
- 应用注意力学习和可视化技术来识别信息细胞和细胞与细胞相互作用.
- 分析了与患者预后相关的CD276细胞标签.
主要成果:
- 该abGCN模型有效地处理全球信息,通过创建整个WSIs的细胞细节的图形表示.
- 注意力机制确定了信息细胞,并突出了关键的细胞与细胞相互作用.
- 从CD276表达数据中得出的图表能够根据质瘤干细胞 (GSC) 社区特征预测个体患者的存活率.
- 证明了使用 BCNN-abGCN 工具链进行自动诊断预测的潜力.
结论:
- BCNN-abGCN工具链为WSIs中复杂的免疫组织化学数据的自动解释提供了一个强大的方法.
- 这种人工智能框架通过分析细胞特征和相互作用来促进患者预后的预测.
- 开发的工具具有在医学研究,基于AI的医疗保健和自动诊断中广泛应用的巨大潜力.
