相关实验视频
Updated: Jun 22, 2025
07:50
Genome-Wide Analysis of DNA Methylation in Gastrointestinal Cancer
Published on: September 18, 2020
5.5K
基于图像的深度学习模型使用DNA甲基化数据预测未知的原发性癌症的起源
Jinha Hwang1, Yeajina Lee2, Seong-Keun Yoo3
1Department of Laboratory Medicine, Korea University Anam Hospital, Seoul, the Republic of Korea.
Neoplasia (New York, N.Y.)
|June 29, 2024
概括
一个新的深度学习模型通过DNA甲基化模式准确地预测癌症的起源. 这种人工智能工具有助于识别主要瘤部位,以获得更好的癌症治疗策略.
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:
- 未知原发性癌症 (CUP) 提出了一个诊断挑战,因为治疗依赖于确定瘤的起源.
- 准确的初级部位识别对于有效的转移性癌症治疗策略至关重要.
研究的目的:
- 开发和验证基于图像的深度学习模型,用于预测未知原发性癌症 (CUP) 的起源.
- 利用DNA甲基化数据创建瘤起源识别的预测模型.
主要方法:
- 利用癌症基因组图谱 (TCGA) 的DNA甲基化数据集 (8,233种主要瘤) 来识别差异甲基化CpG位 (DMC).
- 从DMC中生成器官特异性DNA甲基化图像,用于29种癌症类型中的18种器官类别.
- 使用这些甲基化图像,训练并测试了一种基于视觉转换器的深度学习模型.
主要成果:
- DNA甲基化图像显示出与癌症起源相关的明显模式.
- 该模型实现了高精度:96.95%的内部TCGA元数据和96.39% (初级) 和94.37% (转移性) 的外部验证集.
- 非状细胞癌的异常表现,准确率为96.79% (原发性) 和96.85% (转移性).
结论:
- 使用DNA甲基化数据的基于图像的深度学习方法对预测未知初级 (CUP) 来源的癌症有效.
- 开发的模型在各种内部和外部数据集中显示出强大的通用性.
- 这种由人工智能驱动的工具在改善CUP病例的诊断准确性和指导治疗决策方面具有重大潜力.
