生成性对抗性网络从病理学,基因组学和放射学潜伏特征准确地重建泛癌组织学
Frederick M Howard1, Hanna M Hieromnimon1, Siddhi Ramesh1
1Department of Medicine, University of Chicago, Chicago, IL, USA.
Science advances
|November 15, 2024
概括
我们开发了HistoXGAN,这是一种新的人工智能工具,可以从特征向量中重建瘤组织学图像. 这种人工智能模型有助于解释复杂的癌症特征,并使从放射性成像进行虚拟活检成为可能.
科学领域:
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
- 数字病理学图像分析图像分析
背景情况:
- 人工智能 (AI) 模型分析瘤组织学以进行分类和分子特征识别.
- 当前的人工智能方法将组织学图像提炼成高层特征,但它们的生物含义往往不清楚.
- 了解这些AI衍生特征对于临床翻译至关重要.
研究的目的:
- 开发和验证HistoXGAN,一个定制生成对抗网络 (GAN).
- 从常见AI特征提取器生成的特征向量中重建代表性组织学图像.
- 阐明AI驱动的癌症组织学预测的生物基础.
主要方法:
- 开发了一个定制的生成对抗网络HistoXGAN.
- HistoXGAN受过训练,可以从特征向量中重建组织学图像.
- 该模型在29种癌症亚型中使用各种特征提取器进行了评估.
主要成果:
- HistoXGAN成功地重建了29种癌症亚型的代表性组织学图像.
- 重建的图像保留了生物相关信息,包括瘤等级,组织学亚型和基因表达模式.
- HistoXGAN说明了人工智能模型的基础组织学特征,预测可操作的突变,并确定了对批量效应的依赖.
结论:
- HistoXGAN使人工智能衍生的组织学特征的可视化和解释成为可能.
- 该工具有助于理解AI模型的行为和潜在的偏见.
- 通过从X射线成像重建组织学,HistoXGAN显示了虚拟活检的前景.
