从泛癌数字病理幻灯片数字化量化Ploidy使用深度学习的数字化量化

科学领域:

• 在瘤学瘤学.
• 基因组学就是基因组学.
• 计算病理学计算病理学

背景情况:

• 异常的DNA ploidy是癌症的标志,有助于染色体不稳定性,基因组进化和癌细胞异质性.
• 排卵性变化与患者预后不佳有关.
• 目前的方法,如下一代测序,用于测量形状的评估是昂贵的,耗时的,并且对接近形状的状态有很高的错误率.

研究的目的:

• 从病理学幻灯片直接开发一种快速,经济高效,准确的瘤 ploidy量化方法.
• 为了引入PloiViT,一个基于变压器的模型用于瘤 ploidy量化.

主要方法:

• 开发了PloiViT,这是一个基于变压器的深度学习模型,用于瘤 ploidy 的量化.
• 从癌症基因组图谱和独立队列中对各种癌症类型进行了PloiViT培训和验证.
• 研究了自我监督的特征提取对模型性能的影响.

主要成果:

• 与传统的机器学习模型相比,PloiViT在瘤 ploidy量化方面表现优越.
• 自主监督的特征提取增强了PloiViT的概括能力,并减少了独立队列的预测错误.
• PloiViT在攻击性癌症亚型和具有特定突变的患者中发现了较高的ploidy值.

结论:

• PloiViT提供了一个快速,具有成本效益和准确的瘤 ploidy 评估替代方案,补充下一代测序数据.
• 该模型显示了识别攻击性癌症和指导治疗策略的潜力.
• 作为一个用户友好的应用程序和Python包发布,以促进采用.