多模式共同注意力融合网络与在线数据增强用于癌症亚型分类

科学领域:

• 计算病理学计算病理学
• 生物信息学是一种生物信息学.
• 医学中的人工智能.

背景情况:

• 准确的癌症亚型诊断对于个性化癌症治疗至关重要.
• 将整个幻灯片图像 (WSI) 和多omics数据结合起来,有望提高诊断准确度.
• 挑战包括多模式数据异质性和由于患者数据有限而导致的性能退化.

研究的目的:

• 为癌症亚型分类提出一个全新的多式联动注意力融合网络 (MCFN) 与在线数据增强 (ODA).
• 解决多式癌症数据分析中的数据异质性和小样本大小问题.
• 为了提高计算病理学诊断的准确性和稳定性.

主要方法:

• 开发了一种用于密集多式联网交互和异质性减轻的多式联网相互引导共同注意 (MMC) 模块.
• 引入了一个自我规范化网络 (SNN) -Mixer,以促进omics数据之间的信息交换,并解决高维小样本问题.
• 实施了在线数据增强 (ODA) 模块,以指导使用多式联网知识的WSI增强,以补偿有限的数据.

主要成果:

• 拟议的MCFN在TCGA数据集上的现有算法相比显示出更高的性能.
• MMC模块有效地减少了模式间和模式内数据异质性.
• 官方发展援助模块成功地最大限度地提高了数据多样性,改善了使用有限样本的模型培训.

结论:

• 新的MCFN与MMC和ODA模块显著提高了癌症亚型分类的准确性.
• 这种方法有效地解决了计算病理学中的多式联运数据异质性和数据稀缺性挑战.
• 这些发现支持综合多式联运数据分析的潜力,以推进个性化癌症治疗.