通过检查无细胞DNA末端动机来开发用于癌症诊断的深度学习模型
Hongru Shen1, Meng Yang1, Jilei Liu1
1Tianjin Cancer Institute, Tianjin's Clinical Research Center for Cancer, National Clinical Research Center for Cancer, Tianjin Medical University Cancer Institute and Hospital, Tianjin Medical University, Tianjin, China.
NPJ precision oncology
|July 27, 2024
概括
一个新的深度学习模型,通过变压器 (EMIT) 检查终端动机,使用无细胞DNA (cfDNA) 终端动机特征准确地区分癌症患者和健康个体. 这一进步有助于通过分析cfDNA模式来早期诊断癌症.
科学领域:
- 基因组学就是基因组学.
- 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:
- 准确的癌症诊断对于早期干预至关重要.
- 无细胞DNA (cfDNA) 分析显示,对非侵入性癌症检测有希望.
- 使用cfDNA将癌症患者与健康个体区分开来是一个重大挑战.
研究的目的:
- 开发和验证一种深度学习模型,使用cfDNA末端动机来区分癌症患者和健康个体.
- 评估模型在不同测序数据集中的性能.
- 为了证明cfDNA终端动机表示用于癌症检测的实用性.
主要方法:
- 通过变压器 (EMIT) 开发了终端动机检查,这是一个自我监督的深度学习模型.
- 在4606个样本上训练有素的EMIT使用各种cfDNA测序技术.
- 在六个独立的数据集和一个内部测试集上评估了EMIT表示的线性预测.
主要成果:
- 埃米特在接收器操作曲线 (AUROC) 下实现了高面积,在多个数据集中从0.895到0.996不等.
- 该模型在癌症歧视方面显著优于基线方法.
- 埃米特在独立的全外因子测序数据集上证明了肺癌识别的AUROC为0.962.
结论:
- 基于变压器的深度学习模型 (EMIT) 可以有效地从cfDNA末端动机中学习癌症歧视特征.
- 埃米特的学术代表对于在癌症患者和健康个体之间进行歧视是有价值的.
- 这种方法有可能通过cfDNA分析来改善早期癌症诊断.
