生物可解释的集体学习模型用于侵入性肺腺癌等级,使用CT和组织病理学图像

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 病理学 病理学 病理学

背景情况:

• 由于异质性,侵入性肺腺癌 (IPA) 的分类具有挑战性.
• 关于IPA分级的放射病理学及其生物学意义的研究有限.

研究的目的:

• 将多omics数据集成为一个强大的IPA分级模型.
• 揭示IPA中放射病理学特征的生物学意义.

主要方法:

• 从988名IPA患者的放射学 (CT) 和病理学 (WSI) 的综合分析.
• 组合学习分级模型的构建和验证.
• 多omics分析包括RNA测序.

主要成果:

• 整体模型在内部和外部验证中实现了高AUC (0.833-0.920).
• 鉴定了与IPA分级相关的基因协同表达模块,枢纽基因和途径.
• 验证了与关键生物过程相关的放射病理学现象型.

结论:

• 整合放射学和病理学特征可以提高IPA分级的准确性.
• 多尺度成像生物标志物为分级和个性化治疗提供了强大的方法.