整合放射学和基因表达,通过对图像进行映射,通过改进的DeepInsight对清细胞细胞癌进行映射

科学领域:

• 医学成像分析 医学成像分析
• 机器学习在瘤学中
• 基因组学和放射学整合

背景情况:

• 放射学从医学图像中提取高维特征,用于基于机器学习 (ML) 的结果预测.
• 深度学习 (DL) 方法越来越多地应用于将非图像数据转换为图像格式的非图像数据.

研究的目的:

• 为了比较使用传统ML与DL (DeepInsight) 的放射学结果预测性能.
• 通过将放射学特征与基因表达数据集成来增强DeepInsight模型,以改善清细胞细胞癌 (ccRCC) 的预测.
• 通过全面的数据集成,推进ccRCC的个性化治疗策略.

主要方法:

• 从142名ccRCC患者的CT图像中提取了放射性特征.
• 传统的ML (SVM,k-NN,NN) 和DL (AlexNet,SqueezeNet,InceptionNet) 用于预测两年无病生存期.
• 深度洞察将放射学和基因表达数据转换为图像格式,用于DL分析.

主要成果:

• 传统的ML模型的准确度在71.4%至78.1%之间.
• 在DL模型 (AlexNet,SqueezeNet,InceptionNet) 中,准确度从76.7%提高到85.4%.
• 集成的DeepInsight模型结合了放射学和基因表达数据,达到最高准确率90.9%.

结论:

• 使用DeepInsight的DL方法在预测ccRCC结果方面明显优于传统ML.
• 将DL与放射学和基因表达数据集成,有效地将生物信息与成像数据联系起来.
• 这种综合方法显示了增强结果预测和指导个性化癌症治疗的希望.