多式联运CustOmics:一个统一和可解释的多任务深度学习框架,用于多式联运综合数据分析在瘤学.

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:

• 鉴定癌症的特征需要了解复杂的瘤微环境相互作用.
• 组织学图像和分子分析提供了洞察力,但将这些多式联运数据融合在一起仍然具有挑战性.
• 由于不同的生物水平和数据相关性,现有的方法难以将整个幻灯片图像和多omics数据的连贯和可解释的融合.

研究的目的:

• 提出一种基于深度学习的新方法来表示多omics和本病理学数据.
• 为了实现多式联络数据的连贯,可解释的融合,用于精准医学应用.
• 开发一种方法,对不完整和缺失的数据具有稳定性.

主要方法:

• 开发了一个新的深度学习框架,以整合整个幻灯片图像和多omics数据.
• 该方法提取模式活动和通路和基因水平上的相互作用的得分.
• 对监督任务的空间丰富性分析得到了扩展.

主要成果:

• 拟议的方法在多个测试案例中显示出与最先进的方法相比更高的性能.
• 该方法有效地处理不完整和缺失的数据.
• 通过多式联络的路径激活成功地解开了.

结论:

• 开发的方法提供了一种可靠和可解读的方法,用于精准医学,将基因病理学和多种病理学数据融合在一起.
• 它为了解各种癌症类型的多模式病理基因组数据提供了新的视角.
• 该方法使丰富分析的空间扩展成为可能,并证明了预测能力.