选择性多式模式深度学习可靠的乳腺癌亚型分类从组织病理学和基因组数据
Hezil Nabil1, Ahmed Bouridane2, Rifat Hamoudi3
1Scientifc and Technical Research Center for the Development of Arabic Language (CRSTDLA), University of Sharjah, Sharjah, Sharjah, 27272, United Arab Emirates.
这项研究引入了一个多式人工智能框架,集成组织学和RNA-seq数据,用于准确的乳腺癌亚型分类. 智能路由机制提高了效率和可解释性,有助于临床决策.
科学领域:
- 计算生物学和生物信息学
- 数字病理学和机器学习
背景情况:
- 准确的乳腺癌亚型分类对于个性化治疗和预后至关重要.
- 整合基因病理学和RNA-seq数据由于数据异质性而存在挑战.
- 现有的方法难以有效地结合多式联运数据以改善分类.
研究的目的:
- 开发一个强大的多式联络框架,将组织学和转录组数据结合起来,用于乳腺癌亚型分类.
- 为了提高分类准确性,可解释性和计算效率.
- 为优化推断引入一个不确定性意识的智能路由机制.
主要方法:
- 使用CTransPath视觉转换器从整个幻灯片图像 (WSIs) 中提取组织学特征.
- 将标准化RNA-seq特征集成到一个共享的潜空间中.
- 实施和评估多式联络融合技术 (监控注意力,交叉注意力,连锁) 与一个不确定性意识的智能路由机制.
主要成果:
- 基于路由的多模式模型在TCGA-BRCA数据集上实现了94.93%的准确性,优于单模式和固定融合方法.
- 路由机制将多式联络推断减少到38.2%的样本,从而提高了3.12×的计算速度.
- 注意推广可视化了歧视性组织学区域,增强了解释性并改善了类似亚型 (例如,Luminal A/B) 之间的区别.
结论:
- 通过信任感知路由将CTransPath衍生的组织学与转录组概况集成,提供了一种实用且可解释的方法.
- 拟议的框架显著提高了乳腺癌亚型分类的准确性和计算效率.
- 该方法适用于临床决策支持系统,为病理评估提供可解释的见解.
更多相关视频
09:34A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data
Published on: September 25, 2021
10:37A Multimodal Imaging Framework to Advance Phenotyping of Living Label-free Breast Cancer Cells
Published on: August 22, 2025
相关概念视频
Selected Data About Geographic Locations
Genomics
Reliability and Validity
Frequency-dependent Selection
Distribution Reliability and Automation
Genomic Imprinting and Inheritance
The expression of some genes depends on which parent passed the gene to the offspring, through a phenomenon known as...
