多尺度特征融合用于预测质瘤基因病理图像中的IDH1突变
Xiang Liu1, Wanming Hu2, Songhui Diao1
1Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen 518055, China; Shenzhen College of Advanced Technology, University of Chinese Academy of Sciences, Shenzhen 518055, China.
Computer methods and programs in biomedicine
|March 22, 2024
概括
这项研究引入了一个深度学习模型,MultiGeneNet,以使用多尺度病理图像预测质瘤中异酸脱酶1 (IDH1) 基因突变. 该方法为常规临床使用提供了具有成本效益的诊断工具.
科学领域:
- 在瘤学瘤学.
- 病理学 病理学 病理学
- 人工智能的人工智能
背景情况:
- 异酸脱酶1 (IDH1) 突变对于结质瘤的诊断,预后和治疗至关重要.
- 目前的IDH1突变检测方法 (免疫组织化学,基因测序) 在常规临床应用中面临挑战.
- 在病理图像上的深度学习显示了预测IDH1突变状态的前景.
研究的目的:
- 开发一种准确且具有成本效益的方法来预测质瘤中的IDH1基因突变.
- 通过利用来自病理图像的多尺度信息来提高预测准确性.
- 提供一个工具,用于常规临床诊断质瘤.
主要方法:
- 提出了一个多规模的融合基因识别网络 (MultiGeneNet).
- 采用两个特征提取器来捕获不同图像尺度的特征.
- 使用双线聚合层与哈达马德产物进行多尺度特征融合.
主要成果:
- 在296名患者的数据集上实现了83.575%的准确性和0.886 AUC.
- 与单个尺度方法相比,证明了更高的性能.
- 在血素和乙染色病理部位上得到验证.
结论:
- 多基因网提供了一个具有成本效益的解决方案,用于预测质瘤中的IDH1突变.
- 该方法可以集成到医疗辅助系统中.
- 作为诊断或预后工具的潜力,特别是在服务不足的地区.
