一项系统的泛癌研究,基于从常规病理学图像中基于深度学习的多原子生物标志物的预测
Salim Arslan1, Julian Schmidt2, Cher Bass2
1Panakeia Technologies, London, UK. salim@panakeia.ai.
Communications medicine
|March 16, 2024
概括
深度学习 (DL) 模型可以从H&E染色的癌症幻灯片中预测许多分子生物标志物. 这种方法有望加速癌症诊断和治疗的发展.
科学领域:
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
- 发现生物标志物的发现.
背景情况:
- 染有血素和乙素 (H&E) 的幻灯片是癌症诊断中的标准.
- 分子分析传统上需要专门的测试.
- 整合成像与分子数据是一个新兴领域.
研究的目的:
- 用H&E图像来评估深度学习对分子分析的能力.
- 直接从基因病理学预测多原子生物标志物.
- 评估不同癌症类型和生物标志物的DL性能.
主要方法:
- 培训和验证了12093个深度学习 (DL) 模型.
- 在32种癌症类型中预测了4031种多原子生物标志物.
- 包括遗传,转录,蛋白质,预后和临床结果的生物标志物.
主要成果:
- 50%的模型实现了0.644或更高的曲线下面积 (AUC).
- 在前25%的模型中,AUC至少为0.719;前5%的模型超过0.834.
- 在大多数生物标志物和癌症类型中,基于图像的分子分析是可行的,而不依赖于瘤纯度,样本大小或类比.
结论:
- 深度学习 (DL) 可以从H&E幻灯片中预测广泛的生物标志物.
- 历史形态学包含了分子特征的固有可预测性.
- 这项技术可以加速癌症诊断和个性化治疗开发.
更多相关视频
07:47Author Spotlight: Unveiling Transmembrane Protein Family-Related Markers in Gastric Cancer and Implications for Targeted Therapies
Published on: September 15, 2023
1.5K
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
1.0K
