双层图形学习揭示了与预后相关的瘤微环境模式在乳腺多重复合数字病理学
Zhenzhen Wang1,2, Cesar A Santa-Maria3,4, Aleksander S Popel1
1Department of Biomedical Engineering, Johns Hopkins University.
bioRxiv : the preprint server for biology
|May 7, 2024
概括
这项研究引入了一种可解释的深度学习方法,用于识别癌症患者风险分层的瘤微环境模式. 这些新的生物标志物为乳腺癌和潜在的其他癌症类型提供了新的预后见解.
科学领域:
- 在瘤学瘤学.
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 瘤微环境 (TME) 对癌症进展和患者预后至关重要.
- 目前用于TME分析的深度学习模型缺乏解释性,限制了生物标志物的发现.
- 为了改进预后工具,需要对TME进行可泛化,数据驱动的生物标志物.
研究的目的:
- 开发一种数据驱动和可解释的方法来识别与患者预后相关的TME细胞组织模式.
- 创建一个基于TME特征的新风险分层系统.
- 为乳腺瘤微环境的预后影响提供新的见解.
主要方法:
- 构建了一个双层图形模型,整合了细胞和人口图形.
- 使用软Weisfeiler-Lehman子树内核来捕捉患者之间的相似性.
- 将该方法应用于乳腺癌队列,以识别模式和风险分层.
主要成果:
- 确定了与不同患者预后相关的特定瘤微环境模式.
- 开发了一个风险分层系统,补充了现有的标准系统.
- 在两个独立的乳腺癌队列中验证了研究结果,证明了概括性.
结论:
- 开发的可解释方法有效地识别了预后TME模式.
- 基于TME的风险分层系统提供了补充的预后信息.
- 这种方法有可能在各种癌症类型中应用,以了解细胞组织和患者的结果.
