先进的深度学习框架用于癌细胞形态分析和瘤突变负担预测从组织病理图像
IEEE journal of biomedical and health informatics
|December 17, 2025
概括
CellMorphNet使用深度学习从组织病理学图像中预测瘤突变负担 (TMB),为癌症免疫疗法决策提供 cost-effective 的测序替代方案.
科学领域:
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
- 发现生物标志物的发现.
背景情况:
- 癌细胞形态分析有助于了解瘤的行为和治疗反应.
- 瘤突变负担 (TMB) 对于预测免疫疗法的有效性至关重要,但传统上需要昂贵的测序.
- 需要有效的方法来在临床环境中评估TMB.
研究的目的:
- 介绍CellMorphNet,这是一个用于从组织病理图像中预测TMB的深度学习模型.
- 开发一种成本效益高且快速的TMB评估方法.
- 整合形态特征提取与注意力机制,以准确预测TMB.
主要方法:
- 开发了CellMorphNet,这是一个具有四个阶段等级金字塔结构的深度学习架构.
- 利用一种新的细胞解卷方法,以增强癌细胞特征的可视化.
- 整合了一个层次的路由注意力机制,以专注于相关的细胞区域.
- 验证了对TCGA数据集的模型,用于二进制和三进制TMB分类.
主要成果:
- 在二进制分类 (AUC 99.2%,F1得分96.8%) 和三进制分类 (精度96.8%,F1得分96.4%) 中,CellMorphNet实现了高性能.
- 该模型在统计学上显示出对现有方法的显著优势 (p<0.001).
- 细胞形态网络有效地提取相关的形态特征,用于TMB预测.
结论:
- CellMorphNet提供了一种非常准确和高效的方法,用于从组织病理图像中预测TMB.
- 这种深度学习方法为传统的测序方法提供了具有成本效益的替代方案.
- CellMorphNet有可能在精密瘤学和癌症免疫治疗中帮助临床决策.
