生物融合网:通过多特征和多模式数据融合在ER+乳腺癌中基于深度学习的生存风险分层
IEEE journal of biomedical and health informatics
|June 24, 2024
概括
生物融合网,一个深度学习模型,整合了组织病理学图像,遗传和临床数据,以准确地分层乳腺癌生存风险. 这种多式联络方法显著提高了个性化治疗策略的预测准确性.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 人工智能的人工智能
背景情况:
- 准确的乳腺癌生存风险分层对于个性化治疗至关重要.
- 现有的方法往往缺乏全面的数据集成,以进行可靠的预测.
研究的目的:
- 开发BioFusionNet,一个深度学习框架,用于多模式数据融合 (病理组织学,遗传学,临床) 以改善ER+乳腺癌的生存风险分层.
- 通过整体数据配置文件,增强患者结果预测.
主要方法:
- 利用自主监督学习 (DINO,MoCoV3) 进行体内病理特征提取.
- 采用变量自编码器和自我注意力来实现患者级特征生成.
- 综合基因数据通过双重交叉注意力和临床数据通过前网络.
- 实施加权的Cox损失函数以解决不平衡的生存数据.
主要成果:
- 达到0.77的平均一致性指数和0.84.84的时间依赖AUC.
- 在单变量 (HR=2.99) 和多变量 (HR=2.91) 分析中,对总生存的预后意义得到证明.
- 在生存风险分层方面表现优于最先进的方法.
结论:
- 生物融合网络有效地整合了多式联络数据,以优化乳腺癌生存风险分层.
- 该模型提供独立的预后意义,有助于个性化治疗决策.
- 这一框架为改善ER+乳腺癌患者的治疗结果提供了一个有希望的工具.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
