通过可解释的多模式深度学习预测肌肉侵入性膀癌中对新辅助化疗的反应
Zilong Bai1, Mohamed Osman1, Matthew Brendel1
1Weill Cornell Medicine, New York, NY, USA.
NPJ digital medicine
|March 23, 2025
概括
研究人员开发了一种集成成像和基因数据的深度学习模型,以预测肌肉侵入性膀癌 (MIBC) 的治疗反应. 这种方法识别了关键的基因特征,有可能优化化疗,并有助于膀的保存.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 肌肉侵入性膀癌 (MIBC) 由于瘤异质性,在预测治疗反应方面存在挑战.
- 准确的预测模型和生物标志物对于改善MIBC患者生存和治疗策略至关重要.
研究的目的:
- 开发一种可解释的深度学习框架,用于预测MIBC中新辅助化疗反应.
- 确定治疗反应的组织病理学,细胞和分子预测因素.
主要方法:
- 开发了一个基于图形的多模式晚期融合 (GMLF) 深度学习框架.
- 综合基因病理学,细胞类型数据 (来自H&E图像) 和基因表达特征 (来自RNA测序).
- 利用了来自SWOG S1314-COXEN临床试验 (NCT02177695) 的数据.
主要成果:
- 在MIBC中,GMLF发现了对新辅助化疗反应的新决定因素.
- 确定了关键的基因特征,包括TP63,CCL5和DCN的改变,推动了预测能力.
- 证明了该模型能够根据综合数据预测治疗反应的能力.
结论:
- GMLF框架为预测MIBC治疗反应提供了一个有希望的方法.
- 鉴定的生物标志物可以优化治疗策略,潜在地改善临床结果,并使膀保持.
- 该方法可以扩展到发现其他癌症类型的预测因子.
