基于注意力的深度学习,用于分析肺状前恶性病变中的病理图像和基因表达数据

科学领域:

• 肺部医学 肺部医学
• 计算病理学计算病理学
• 生物信息学是一种生物信息学.

背景情况:

• 支气管前恶性病变代表了从正常上皮层到侵袭性癌细胞的细胞变化谱.
• 组织学和分子变化与病变进展有关,但由于持续的变化,跨研究的分层是具有挑战性的.
• 早期发现支气管发育不良对于预防肺癌至关重要.

研究的目的:

• 开发一种基于变压器的框架,以区分支气管发育不良或更严重的支气管发育不良和不那么严重的病变.
• 整合转录和组织学数据以提高分类准确度.
• 创建一个灵活的模型,适用于多个研究和数据模式.

主要方法:

• 利用H&E整个幻灯片图像 (WSIs) 和来自内支骨活检的批量基因表达 (GE) 数据.
• 训练了基于变压器的模型,包括结合WSI和GE的融合模型.
• 在外部数据集上验证模型性能,比较单模式与多模式方法.

主要成果:

• 与单一模式模型相比,融合模型 (WSIs + GE) 的性能更高 (WSIs上的AUROC为0.761±0.015,GE上的0.890±0.023)
• 在4项研究中训练了一种灵活的聚变模型,在外部WSIs上实现了0.809±0.036的AUROC,在外部GE上达到0.903±0.022.
• 模型概率与组织学等级相关,并确定了与支气管形相关的基因表达改变.

结论:

• 一个基于变压器的框架,整合了转录和组织学数据,有效地区分支气管形.
• 多模式数据融合提高了病变分类的准确性和稳定性.
• 这一框架为绘制支气管前恶性病变的地图提供了一种有希望的方法,并可能有助于预测未来的疾病严重程度和治疗疗效.