MMsurv:一个多模式的多实例多癌症生存预测模型,整合了病理图像,临床信息和测序数据

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 人工智能的人工智能

背景情况:

• 准确的癌症患者生存预测对于治疗规划至关重要.
• 当前的模型往往无法有效利用全面的多式联运数据.
• 这限制了对预后预测的信心.

研究的目的:

• 开发一种可解释的多式联络深度学习模型,MMSurv,用于预测癌症患者的生存率.
• 整合各种数据类型,包括临床信息,测序数据和全幻灯片图像 (WSIs).
• 通过有效利用多式联运数据互补性来提高预测准确性.

主要方法:

• MMSurv将WSI分割成,使用神经网络将其编码为特征向量.
• 使用自然语言处理启发的词嵌入技术优化临床数据.
• 一种结合紧双线聚合和变压器架构的新融合方法集成了多式联络功能.
• 双层多实例学习通过细胞细分分析来完善预测并增强可解释性.

主要成果:

• 多式联网数据集成提高了预测准确度,平均C指数从0.6750增加到0.7283.
• 拟议的MMSurv模型显示,与最先进的方法相比,其平均性能有近10%的显著改善.
• "癌症基因组图谱"对6种癌症类型的评估证实了该模型的有效性.

结论:

• 使用多式联络数据,MMSurv为癌症存活率预测提供了一种强大且可解释的方法.
• 该模型能够整合多样化的数据源,这大大提高了预测准确度.
• 这一进步有望为更个性化,更有效的癌症治疗计划提供希望.