Панканцерный интегративный гистолого-геномный анализ с использованием мультимодального глубокого обучения

Pan-cancer integrative histology-genomic analysis via multimodal deep learning
Richard J. Chen, Ming Y. Lu, Drew F. K. Williamson, Tiffany Chen, Jana Lipková, Zahra Noor, Muhammad Shaban, Maha Shady, Mane Williams, Bumjin Joo, Faisal Mahmood
2022-08-01

вычислительная патологиямолекулярные профилимультимодальное глубокое обучениепрогностические моделиполноразмерные гистологические изображения
Быстро развивающаяся область вычислительной патологии продемонстрировала перспективность разработки объективных прогностических моделей на основе гистологических изображений. Однако большинство прогностических моделей основано либо только на гистологических данных, либо только на геномике и не рассматривает способы интеграции этих источников данных для создания совместных прогностических моделей, объединяющих изображения и омиксные данные. Кроме того, представляет интерес выявление интерпретируемых морфологических и молекулярных дескрипторов, получаемых с помощью таких моделей и определяющих прогноз. Мы используем мультимодальное глубокое обучение для совместного анализа полносрезовых изображений патологических препаратов и данных молекулярных профилей для 14 типов рака. Наш алгоритм мультимодального глубокого обучения со слабым учителем способен объединять эти разнородные модальности для прогнозирования исходов и выявления прогностических признаков, коррелирующих с неблагоприятными и благоприятными исходами. Мы представляем результаты всех анализов морфологических и молекулярных коррелятов прогноза пациентов для 14 типов рака на уровне как заболевания, так и отдельного пациента в интерактивной базе данных с открытым доступом, обеспечивающей дальнейшее изучение, поиск биомаркеров и оценку признаков.
1
Слабоконтролируемый мультимодальный алгоритм глубокого обучения совместно анализирует гистологические изображения целых предметных стёкол и молекулярные профили для 14 типов рака.
2
Интерактивная база данных открытого доступа предоставляет результаты анализа для дальнейшего изучения, поиска биомаркеров и оценки признаков.
3
Прогностические корреляты охарактеризованы на уровне заболевания и отдельных пациентов для 14 типов рака.
4
Метод объединяет разнородные изображения и геномные данные для прогнозирования исходов пациентов с использованием совместных прогностических моделей image-omics.
5
Модели выявляют интерпретируемые морфологические и молекулярные признаки, связанные как с неблагоприятным, так и с благоприятным прогнозом.

полноразмерные гистологические изображения и данные молекулярных профилей для 14 типов рака

интегрированные морфологические и молекулярные прогностические признаки и их связь с исходами у пациентов при различных типах рака

Publication Details
Publication Date
2022-08-01
Journal
Publisher
ISSN
Cited by
714
Access Type
Author Information
Authors
Richard J. Chen
Ming Y. Lu
Drew F. K. Williamson
Tiffany Chen
Jana Lipková
Zahra Noor
Muhammad Shaban
Maha Shady
Mane Williams
Bumjin Joo
Faisal Mahmood
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%