对增强的组织准备和成像协议进行初步游戏理论评估,以改善从组织形态学中推断空间转录学的深度学习推断

科学领域:

• 计算生物学是一种计算生物学.
• 病理学 病理学 病理学
• 基因组学就是基因组学.

背景情况:

• 应用到空间转录学 (ST) 的深度学习将基因表达与组织架构联系起来.
• 当前的ST推断模型经常使用手动染色和非临床成像,限制了可扩展性和临床采用.
• 算法性能的改进往往掩盖了组织准备和成像质量的影响.

研究的目的:

• 调查增强的组织处理和成像协议如何影响从形态学推断ST深度学习模型的性能.
• 为了比较一个增强的协议与ST推断的传统方法的有效性和成本效益.
• 为了强调样本准备和成像在推进ST临床应用中的重要性.

主要方法:

• 开发了一种使用自动染色,40倍分辨率成像和ST多患者组织切割的增强协议.
• 利用Inceptionv3神经网络从结直肠癌患者样本的整片图像 (WSI) 预测基因表达.
• 采用Shapley的数据来量化性能增长,并比较增强和传统协议之间的成本.

主要成果:

• 从增强协议中对WSI进行训练的模型与传统方法相比,表现得更好.
• 增强的协议导致了与空间配置相关的较低的财政成本.
• 这些发现突显了样本准备和成像对ST推断准确性的重大影响.

结论:

• 优化组织处理和成像对于增强基于深度学习的从形态学的ST推断至关重要.
• 增强协议为大规模研究和临床采用提供了更具成本效益和准确的方法.
• 整合优化的协议对于识别预后标志物和推进精准医学至关重要.