一个多代表性的深度学习框架,用于准确的多癌症分类
Guojing He1,2, Xiao Yang2, Wang Yu2
1College of Computer Science and Technology, Chongqing University of Posts and Telecommunications, No. 2 Chongwen Road, Chongqing, 400065, China.
Journal of translational medicine
|November 19, 2025
概括
GraphVar是一个新的深度学习框架,通过整合基因组和成像数据,准确地分类多种癌症类型. 这种可解释的工具有助于精确诊断和治疗策略.
科学领域:
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 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:
- 准确的多种癌症分类对于瘤学的诊断,治疗和预后至关重要.
- 现有的方法往往侧重于有限的癌症类型和单个基因组数据模式.
- 需要先进的框架,整合多样化的基因组特征,以进行全面的癌症分类.
研究的目的:
- 开发和评估GraphVar,一个用于多种癌症分类的新型深度学习框架.
- 整合互补的突变衍生成像和数值基因组特征.
- 通过利用多代表性学习来推进癌症分类.
主要方法:
- GraphVar使用了多表示深度学习方法,集成空间变异地图 (图像) 和数值基因组特征.
- 一个ResNet-18骨干提取图像特征,一个变压器编码器处理数值配置文件,一个融合模块结合模式.
- 使用Grad-CAM评估可解释性,并通过KEGG通路丰富分析验证功能相关性.
主要成果:
- 在33种癌症类型的10,112名患者队列中,GraphVar实现了高性能,精度,回忆,F1得分和准确性都超过了99.8%.
- 格拉德-CAM分析表明,该模型能够精确地确定生物相关的基因组模式.
- 凯格路径分析证实了GraphVar识别基因在特定癌症类型 (KIRC,BRCA) 中的生物学意义.
结论:
- GraphVar是一个强大的和可解释的框架,用于准确的多种癌症分类.
- 该模型的高性能和识别功能相关基因组签名的能力支持其用于精确诊断的潜力.
- 需要进一步的翻译研究来探索GraphVar在指导治疗策略中的临床实用性.
