条件概率扩散模型驱动的合成放射基因组应用在乳腺癌中
Lianghong Chen1, Zi Huai Huang2, Yan Sun1,2
1Department of Computer Science, Western University, London, Ontario, Canada.
PLoS computational biology
|October 7, 2024
概括
这项研究使用了一种新的条件概率扩散模型 (CPDM) 来从基因组数据中创建合成乳腺癌 (BC) MRI. 这些合成图像有助于预测BC亚型和患者存活率,推进精准医学.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 生物信息学是一种生物信息学.
背景情况:
- 乳腺癌 (BC) 的异质性给诊断和治疗带来了挑战.
- 配对的多原子和医学成像数据的有限可用性阻碍了研究.
- 放射基因组学需要强大的方法来将基因组资料与成像特征联系起来.
研究的目的:
- 开发一种条件概率扩散模型 (CPDM) 来从乳腺癌中的多原子数据中合成磁共振图像 (MRI).
- 为了克服有限的配对成像和基因组数据集的挑战.
- 探索生成合成MRI用于预测临床属性和患者存活率的实用性.
主要方法:
- 采用条件概率扩散模型 (CPDM) 来利用基因表达,拷贝数变异和DNA甲基化数据合成MRI.
- 为726名TCGA-BRCA患者生成合成MRI,缺乏实际MRI数据.
- 使用弗雷切的初始距离 (FID),平均平方误差 (MSE) 和结构相似度指数 (SSIM) 测量验证了CPDM性能.
主要成果:
- 在CPDM成功生成合成MRI的高保真度 (FID=2.02,MSE=0.02,SSIM=0.59).
- 合成MRI预测了ER+/HER2+亚型,准确度很高 (AUROC=0.82,AUPRC=0.84).这些亚型的预测是可以预测的.
- 使用合成MRI预测的患者存活率达到0.88的强一致性指数 (C指数),表现优于基线模型.
结论:
- CPDM可以有效地从乳腺癌患者的多原子数据中生成现实的MRI.
- 合成MRI对放射遗传学研究和理解BC异质性的潜力很大.
- 这种方法通过早期检测和个性化治疗策略来推进精准医学.


