一个独立于平台的人工智能瘤血统和位点 (ATLAS) 分类器
Nicholas R Rydzewski1,2, Yue Shi2, Chenxuan Li2
1Radiation Oncology Branch, National Cancer Institute, National Institutes of Health, Bethesda, MD, USA.
Communications biology
|March 14, 2024
概括
我们开发了一个名为ATLAS的AI工具,可以准确地识别癌症的起源和类型,即使在困难的转移病例中也是如此. 这项技术有助于癌症诊断和治疗计划.
科学领域:
- 计算生物学是一种计算生物学.
- 在瘤学瘤学.
- 医学中的人工智能.
背景情况:
- 准确的癌症诊断对于有效的治疗至关重要.
- 下一代测序提供了分子洞察力,但缺乏独立的起源地点和血统评估.
- 转移性疾病对现有方法提出了分类挑战.
研究的目的:
- 开发和验证人工智能驱动的方法,同时确定癌症的起源地点和血统.
- 在局部化和转移性瘤样本中评估AI模型的性能.
- 探索人工智能血统得分的新兴特性,包括零射击学习能力.
主要方法:
- 利用渐变增强的机器学习来创建针对瘤血统和原点 (ATLAS) 的单独AI模型.
- 从8249个瘤样本的RNA表达数据上训练模型.
- 独立验证了10376个瘤样本的性能,其中包括1490个转移病例.
主要成果:
- 在癌症发源地和癌症血统方面达到91.4%的准确性,97.1%的准确性.
- 高可信度预测在局部和转移样本中都显示了98-99%的准确性.
- 证明了零射击的学习能力,区分间皮瘤亚型和识别出差结果的神经内分泌瘤.
结论:
- 亚特拉斯人工智能平台提供癌症原点和血统的准确和独立评估.
- 这种方法是独立于平台的,易于转化为现有的RNA-seq工作流.
- 亚特拉斯可以增强组织病理学评估,特别是未知的原发性和具有挑战性的转移性病例的瘤.
