开发一种甲状腺癌分化状态分类系统,使用深度残留网络和代谢特征分析
Yanzhi Zhang1,2, Xiaoxue Du1,2, Sijia Cai1,2
1Department of Head and Neck Surgery, Fudan University Shanghai Cancer Center, Shanghai, People's Republic of China.
NPJ digital medicine
|September 24, 2025
概括
我们开发了一个可解释的深度学习模型,使用多原子数据对甲状腺癌进展进行分类. 这种方法确定了用于早期诊断和改善临床决策的关键代谢特征.
科学领域:
- 在瘤学瘤学.
- 代谢学 代谢学 代谢学
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 甲状腺癌表现出不同的分化状态,从差异化到形.
- 代谢重编程是癌症的标志,显著影响瘤的进展和攻击性.
研究的目的:
- 开发一个准确和可解释的深度学习框架来分类甲状腺癌分化状态.
- 使用多基因数据识别与甲状腺癌进展相关的关键代谢特征.
主要方法:
- 整合了158个甲状腺瘤和57个匹配的正常组织的非目标代谢,全外体序列和转录组数据.
- 采用深度残余网络 (ResNet) 架构进行分类,并采用沙普利的附加解释来进行解释.
- 分析了单细胞RNA测序数据,以绘制非分化甲状腺癌中的代谢重编程途径.
主要成果:
- 开发了一种10基因的代谢特征,用于甲状腺癌的泛病理学分类.
- 使用ResNet创建了10个代谢物分类模型,证明了直接的病理生理反应.
- 通过解释性分析确定了驱动甲状腺癌分化状态的关键代谢特征.
结论:
- 代谢变化对甲状腺癌的进展至关重要.
- 拟议的可解释模型准确地分类甲状腺癌分化状态.
- 这一框架可以促进早期诊断,并为甲状腺癌患者提供临床决策信息.


