一个深度学习的框架来预测癌症治疗的反应从他的病理学图像通过归纳的转录组学
Danh-Tai Hoang1, Gal Dinstag2, Eldad D Shulman3
1Biological Data Science Institute, College of Science, Australian National University, Canberra, Australian Capital Territory, Australia. danhtai.hoang@anu.edu.au.
Nature cancer
|July 3, 2024
概括
人工智能 (AI) 现在可以使用标准瘤幻灯片预测癌症治疗反应. 一个人工智能工具ENLIGHT-DeepPT从幻灯片中推断基因表达,以预测患者对向和免疫疗法的反应.
科学领域:
- 计算生物学是一种计算生物学.
- 数字病理学数字病理学
- 精确瘤学是一门精确的专业.
背景情况:
- 血素和以色染色的瘤幻灯片经常用于癌症诊断.
- 人工智能 (AI) 为从基因病理图像中提取复杂的生物信息提供了新的途径.
研究的目的:
- 开发和验证一个人工智能驱动的框架 (ENLIGHT-DeepPT) 用于使用数字病理学预测患者对癌症治疗的反应.
- 评估ENLIGHT-DeepPT在不同癌症类型和治疗环境中的性能.
主要方法:
- ENLIGHT-DeepPT是一个两步的方法:DeepPT从幻灯片中预测全基因组mRNA表达,ENLIGHT从推断表达中预测治疗反应.
- 该框架在16个癌症基因组图谱 (TCGA) 队列和5个独立患者队列中得到了验证.
主要成果:
- DeepPT准确地预测了所有测试的TCGA队列中的转录组学,并将其概括为独立的数据集.
- 在六种癌症类型和四种治疗方法中,ENLIGHT-DeepPT成功识别了真正的响应者,显示了39.5%的响应率增加.
- 在没有对治疗数据进行直接培训的情况下实现了预测准确性,与需要这种特定培训的方法竞争.
结论:
- ENLIGHT-DeepPT提供了一种强大,非侵入性的方法,用于从标准组织学幻灯片中预测癌症治疗反应.
- 这种人工智能框架通过指导治疗决策,为推进精确瘤学提供了重大潜力.
