基于卷积神经网络和自我注意的多实例学习方法,用于早期癌症检测

科学领域:

• 在瘤学瘤学.
• 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:

• 早期癌症检测对于改善患者的治疗结果至关重要.
• T细胞受体测序 (TCR-seq) 显示了癌症诊断的前景.
• 现有的方法可能缺乏早期识别所需的精度.

研究的目的:

• 开发一种先进的多重实例学习 (MIL) 方法,用于增强癌症检测.
• 利用深度学习,特别是卷积神经网络 (CNN) 和自我注意力,用于分析TCR-seq数据.
• 用基因组生物标志物提高早期癌症识别的准确性和效率.

主要方法:

• 开发了MICA,一种集成CNN和自我注意的多实例学习方法.
• 预处理的TCR-seq数据使用词向量进行特征提取.
• 采用了增强的自我注意机制,以捕捉TCR-seq数据中的实例关系.
• 使用交叉验证进行严格的绩效评估.

主要成果:

• 在肺癌检测中,MICA实现了0.911的曲线下面面积 (AUC).
• 在甲状腺癌检测中,MICA的AUC值为0.946.
• 与现有方法相比,表现出显著的性能改善,肺癌和甲状腺癌的AUC分别增加了7.1%和2.1%.

结论:

• MICA是一种高效的深度学习方法,用于通过TCR-seq.q.通过早期癌症检测.
• 该方法在识别肺癌和甲状腺癌方面表现出卓越的性能.
• MICA为推进精确瘤学和癌症诊断提供了一个有前途的工具.