数据质量对深度学习的影响 预测来自组织学图像的空间转录学图像

科学领域:

• 计算生物学 计算生物学
• 基因组学就是基因组学.
• 组织病理学 组织病理学

背景情况:

• 空间转录组学提供组织位置的基因表达数据.
• 由于高成本,深度学习模型可以从组织学图像中预测空间基因表达.
• 数据质量对这些预测模型的影响还未得到充分研究.

研究的目的:

• 研究不同空间转录技术 (Xenium,Visium) 的数据质量如何影响深度学习预测.
• 确定影响预测性能的分子和图像数据质量的特定方面.
• 为了比较数据质量与模型架构对预测准确性的影响.

主要方法:

• 来自Xenium和Visium空间转录组的数据质量的比较分析.
• 在 silico 剥离实验中评估分子数据稀疏性和噪声的影响.
• 在 silico 计算实验中评估数据救援策略.
• 评估图像分辨率对预测性能和可解释性的影响.

主要成果:

• 分子数据中的稀疏性和噪声增加显著降低了预测性能.
• 在 silico 归算提供了有限的改进,并没有很好地概括.
• 图像分辨率降低对预测性能和模型解释性产生了负面影响.
• 数据质量改进被证明是增强预测模型的有效策略.

结论:

• 数据质量是基于深度学习的空间基因表达预测的关键因素.
• 提高数据质量是模型架构优化的直角策略.
• 考虑影响数据质量的技术限制对于开发可靠的预测方法至关重要.