集成的多态图和整个幻灯片图像用于预测质母细胞瘤的存活率,使用多实例学习和共同注意力
概括
这项研究整合了多omics和整个幻灯片图像用于质母细胞瘤预后. 与现有方法相比,纳入生物途径提高了超过4.5%的生存预测准确度.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 计算病理学计算病理学
背景情况:
- 多形质母细胞瘤 (GBM) 是一种具有不良预后的侵袭性脑瘤.
- 整合多omics数据和整个幻灯片图像 (WSIs) 用于GBM生存预测是具有挑战性的.
- 现有的深度学习模型很难有效地结合各种数据类型以提高准确性.
研究的目的:
- 为了提高多形质母细胞瘤的预后预测.
- 使用生物路径知识将整个幻灯片图像 (WSI) 与多原子数据集成.
- 开发一种用于改善GBM患者生存预测的新型模型.
主要方法:
- 利用多个实例的学习和共同注意力机制进行数据集成.
- 纳入生物通路知识,以指导多原子数据集成.
- 评估了基于癌症基因组图谱 (TCGA) 数据集的模型,其中包括214名GBM患者,447名WSI,以及多基因特征 (基因表达,拷贝数变化,DNA甲基化) 组织成9个与GBM相关的途径.
主要成果:
- 拟议的模型在GBM生存预测方面表现优越.
- 与现有基准模型相比,实现了至少4.5%的改进.
- 通过生物途径成功集成WSIs和多原子数据.
结论:
- 整合生物途径知识显著提高了质母细胞瘤多种类型存活率的预测.
- 开发的模型显示了改善GBM预后准确性的前景.
- 利用生物洞察力的多式联络数据集成是推动癌症研究的可行策略.
