自动TFCNNY:一个多实例的神经网络,使用TCR数据进行增强的早期癌症检测

科学领域:

• 在瘤学瘤学.
• 免疫学 免疫学 免疫学
• 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:

• 早期癌症诊断对于改善患者生存率和治疗疗效至关重要.
• 周围血液T细胞受体 (TCR) 提供了用于癌症检测的非侵入性生物标志物.
• 从复杂的TCR目录中提取癌症特异性信息是一个重大挑战.

研究的目的:

• 开发一种先进的深度学习模型,用于准确而敏感的早期癌症检测.
• 利用T细胞受体 (TCR) 谱系数据来识别各种癌症类型.
• 解决从异质的TCR数据中提取有意义的癌症相关信号的挑战.

主要方法:

• 开发AutoTFCNNY,一个集成变压器和卷积神经网络 (CNN) 架构的多实例深度神经网络.
• 使用多实例学习 (MIL) 框架在TCR序列中建模全球依赖性和本地特征.
• 培训和验证来自不同类型癌症患者的外周血液TCR谱的模型.

主要成果:

• 在22种癌症类型中,AutoTFCNNY实现了ROC曲线下的平均面积 (AUC) 超过0.94.
• 在18种癌症类型中观察到异常表现,AUC超过0.99,包括大脑和非小细胞肺癌.
• 该模型在早期癌症检测中表现出高精度,稳定性和强大的概括能力.

结论:

• 自动TFCNNY有效地从外围血液的TCR目录中提取关键的癌症相关信息.
• 该模型显示了作为早期癌症预测和诊断的非侵入性工具的巨大潜力.
• 研究结果强调了深度学习方法在瘤学中分析复杂的免疫学数据的实用性.