可解释的癌症生存预测通过融合细胞类型和整个幻灯片图像的语义标签.

科学领域:

• 在瘤学瘤学.
• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.

背景情况:

• 生存预测是一项多式任务,使用基因病理图像和奥米克数据.
• 基因组注释模两可是多式生存预测的一个挑战.
• 细胞水平的解释性对于理解生物机制至关重要.

研究的目的:

• 为准确的癌症生存预测开发多式融合模型.
• 为了提高在细胞,基因和基因病理图像层面的模型解释性.
• 用细胞类型特定的基因注释来解决基因组注释模两可的问题.

主要方法:

• 介绍了基因基于细胞类型和癌症起源的语义注释.
• 拟议的SurvTransformer,一个具有多层注意力的多式融合模型.
• 融合细胞类型标签 (CTT) 和整片图像 (WSI) 用于生存预测.
• 利用了注意力和集成的梯度归因,以实现可解释性.

主要成果:

• 在四个癌症数据集中,SurvTransformer实现了最高的一致性指数.
• 产生了统计学上显著的生存曲线.
• 与使用不同的标签和注意力方法的模型相比,表现出更高的性能.
• 案例研究验证了该模型在细胞类型,基因和图像层面的可解释性.

结论:

• SurvTransformer有效地整合了组织病理学和基因组数据,以准确地预测生存率.
• 该模型在多个层面上提供了新的,生物学上有意义的解释性.
• 细胞类型特定的基因注释改善了与形态特征的对齐,并减少了模两可.