基于深度学习的IDH1基因突变预测,使用基因病理成像和临床数据.
Riku Nakagaki1, Shyam Sundar Debsarkar2, Hiroharu Kawanaka1
1Graduate School of Engineering, Mie University, 1577 Kurima-machiya, Tsu, Mie 514-8507, Japan.
Computers in biology and medicine
|July 22, 2024
概括
这项研究开发了一种人工智能模型,使用整个幻灯片图像和临床数据预测质瘤患者的IDH1突变. 结合这两种数据类型,提高了预测准确度,有助于评估疾病进展.
科学领域:
- 组织病理学 组织病理学
- 在瘤学瘤学.
- 人工智能在医学中的应用
背景情况:
- 质瘤是大脑瘤,分为星系细胞瘤,小类质瘤 (集体低级质瘤,LGG) 和质母细胞瘤 (GBM).
- 异酸脱酶 (IDH) 突变是质瘤的关键预后指标,IDH突变患者通常表现出更好的结果.
- 准确的IDH突变状态对于质瘤的分类和治疗计划至关重要.
研究的目的:
- 开发和评估一种人工智能模型,用于对质瘤患者的IDH1突变存在或不存在进行分类.
- 调查整片图像 (WSIs) 和临床数据对IDH1突变预测的联合实用性.
- 为此分类任务比较不同深度学习和机器学习模型的性能.
主要方法:
- 利用了546名质瘤患者的数据集,结合了染色于血素和素 (H&E) 的WSI和相关的临床数据.
- 采用深度学习模型,包括基于注意力的多实例学习 (ABMIL) 来进行图像分析,以及用于临床数据的LightGBM.
- 通过结合WSI和临床数据模型,实现集体学习,并进行超参数优化以提高分类准确性.
主要成果:
- 在WSI模型中,曲线下的面积 (AUC) 为0.823,而临床数据模型的AUC为0.782.2.
- 整体模型,特别是MaxViT和LightGBM组合,表现出最高的性能,AUC为0.852.
- 整合成像和临床数据显著提高了人工智能驱动的IDH1突变预测的整体准确性.
结论:
- 人工智能模型可以有效地使用WSIs和临床数据预测质瘤中的IDH1突变状态.
- 结合多模式数据 (成像和临床) 的集体学习方法提供了卓越的预测性能.
- 这种综合的人工智能方法有望提高质瘤分类和疾病进展评估.
