KMeansGraphMIL模型:一个弱监督的多实例学习模型,用于预测结肠直肠癌瘤突变负担
Linghao Chen1, Huiling Xiao1, Jiale Jiang2
1Radiology Department, The Seventh Affiliated Hospital, Sun Yat-Sen University, Shenzhen, China.
The American journal of pathology
|January 12, 2025
概括
一个新的模型,KMeansGraphMIL,快速且负担得起地预测结直肠癌 (CRC) 患者的瘤突变负担 (TMB). 这有助于更快地做出免疫治疗的治疗决定,节省时间和成本.
科学领域:
- 在瘤学瘤学.
- 计算生物学 计算生物学
- 生物医学成像技术 生物医学成像技术
背景情况:
- 结肠直肠癌 (CRC) 是全球癌症相关死亡的主要原因.
- 免疫疗法检查点阻塞治疗对CRC有希望,但需要特定的生物标志物测量.
- 瘤突变负担 (TMB) 是一个关键的生物标志物,但通过下一代测序进行传统测量是昂贵且耗时的.
研究的目的:
- 开发一种经济和快速的方法来预测结直肠癌患者的TMB.
- 在TMB预测中引入KMeansGraphMIL模型用于弱监督的多实例学习.
主要方法:
- 提出了KMeansGraphMIL模型,利用弱监督的多实例学习.
- 整合了图像补丁特征向量相似性和空间关系.
- 评估模型性能与以前监督较弱的多实例学习方法相比.
主要成果:
- 在接收器运行特征曲线下的面积达到0.8334.4.
- 显著改善了回忆力,达到0.7556.
- 与现有的弱监督的多实例学习模型相比,表现出优越的性能.
结论:
- KMeansGraphMIL框架为预测CRCTMB提供了一种经济和快速的方法.
- 这种方法有可能加速医生的治疗计划.
- 这项研究在为结肠直肠癌管理提供了成本效益和及时的TMB评估方面取得了重大进展.
更多相关视频
07:35A Knowledge Graph Approach to Elucidate the Role of Organellar Pathways in Disease via Biomedical Reports
Published on: October 13, 2023
1.6K
10:33Molecular Profiling of the Invasive Tumor Microenvironment in a 3-Dimensional Model of Colorectal Cancer Cells and Ex vivo Fibroblasts
Published on: April 29, 2014
11.0K
