乳腺癌生存预测的多模式融合策略:一个比较的深度学习研究
Aurora Sucre1,2,3, Xabier Calle Sánchez1,2, Laura Valeria Perez-Herrera1,2
1Fundación Vicomtech, Basque Research and Technology Alliance (BRTA), Mikeletegi 57, Donostia-San Sebastián 20009, Spain.
Computational and structural biotechnology journal
|November 10, 2025
概括
这项研究引入了先进的深度学习模型来预测乳腺癌生存率. 奥米克和临床数据的晚期融合取得了最好的结果,改善了模型的准确性和通用性.
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:
- 准确的乳腺癌生存预测对于患者管理至关重要.
- 目前的模型在整合多种数据类型和对新数据的概括方面扎.
- 深度学习为癌症研究中的多模式数据集成提供了潜力.
研究的目的:
- 开发和优化单模和多模深度学习模型,用于乳腺癌生存率预测.
- 系统地评估早期与晚期的融合策略,以改善泛化.
- 提高生存预测模型的可解释性.
主要方法:
- 整合了各种数据:临床,体质突变,RNA表达,拷贝数变异,miRNA表达和癌症基因组图谱 (TCGA) 的基因组图像.
- 开发并比较使用早期和晚期融合策略的单模和多模模型.
- 使用样本外概括和一致性指数评估模型性能.
- 进行了可解释性分析,以确定生物相关特征.
主要成果:
- 晚期聚变模型在所有数据组合中始终优于早期聚变和基准方法.
- 奥米克和临床数据的整合产生了最高的测试集一致性指数.
- 可解释性分析证实,模型捕获了生物学相关的生存预测因素.
结论:
- 晚期融合多式模式深度学习框架提供了强大的和可解释的乳腺癌存活率预测.
- 优化整合策略是改善模型通用性的关键.
- 这种方法为个性化乳腺癌管理提供了一个有前途的工具.
