路径X-CNN:一种增强的可解释的卷积神经网络,用于预测质母细胞瘤的生存率和路径分析

科学领域:

• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学
• 在瘤学中使用人工智能

背景情况:

• 卷积神经网络 (CNN) 可以通过将其转换为类似图像的格式来分析生物阵列数据.
• 主要成分分析 (PCA) 捕捉了全球变异,但与子队列特定变异作斗争,限制了CNN在癌症生存预测中的表现.
• 使用CNN预测多形质母细胞瘤 (GBM) 存活率的现有方法往往缺乏生物解释性.

研究的目的:

• 开发一个可解释的CNN框架,PathX-CNN,用于改进多omics数据集成和癌症生存预测.
• 为了解决PCA中用于类特定分析的全球变异捕获的局限性.
• 提高癌症研究中的深度学习模型的生物解释性.

主要方法:

• 路径X-CNN集成了多omics数据,使用从子队列特定主要组件 (PC) 获得的基于路径的图像.
• 该框架使用夏普利添加式解释 (SHAP) 来解释AI,识别与生存相关的关键途径.
• 对质母细胞瘤多种类型 (GBM) 的生存预测进行了评估,并对其他癌症类型进行了验证.

主要成果:

• 在 GBM 中,PathX-CNN 在预测长期存活率 (LTS) 和非LTS方面显著优于现有的基于途径的方法.
• 在PathX-CNN中的SHAP分析确定了与GBM存活相关的生物可信途径.
• 实验表明,PathX-CNN在不同类型的癌症中比传统方法具有更高的性能.

结论:

• 路径X-CNN提供了一种新的方法来整合多omics数据,提高癌症生存预测的准确性.
• 该框架为疾病机制提供了有价值的特定途径洞察力,提高了模型的可解释性.
• 路径X-CNN强调了可解释的CNN在推进精确瘤学和理解复杂疾病方面的潜力.