TG-Mamba:利用文本指导来预测肺癌中的瘤突变负担

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:

• 瘤突变负担 (TMB) 是肺癌免疫疗法反应的关键预测因素.
• 整体外体序列 (WES) 是TMB量化标准,但成本高且耗时.
• 需要可访问的方法来评估TMB以获得更广泛的临床应用.

研究的目的:

• 开发一个深度学习模型 (TG-Mamba) 用于快速 TMB 预测,使用基因病理图像和临床数据.
• 估计特定的TMB值,并对TMB水平进行分类,以预测免疫治疗反应.
• 克服WES在成本和时间方面的局限性.

主要方法:

• 一个平行的特征提取策略,使用文本引导的注意模块来提取文本特征,并使用VMamba骨干来提取图像特征.
• 一个新的混合模块 (Conv-SSM) 结合了卷积层和状态空间模型,用于增强特征提取.
• 文本和图像特征的整合,其中文本指导图像特征提取.

主要成果:

• 在分类任务中,TG-Mamba取得了0.994的AUC.
• 该模型在TMB估计回归任务中显示了0.25的平均绝对百分比误差 (MAPE).
• 在从非训练队列中的组织病理图像和临床数据中预测TMB水平的高准确性.

结论:

• TG-Mamba在TMB预测方面表现出色,为WES提供了一个快速且具有成本效益的替代方案.
• 该模型有可能将免疫治疗的好处扩展到更多的肺癌患者身上.
• 这种由人工智能驱动的方法使得在临床环境中更容易获得TMB评估.