-
题名基于病理组织切片的肺腺癌肿瘤突变预测模型
- 1
-
-
作者
关昕
杨雪永
杨啸林
孟祥福
-
机构
辽宁工程技术大学电子信息与工程学院
中国医学科学院基础医学研究所北京协和医学院基础学院
-
出处
《计算机科学》
北大核心
2025年第S1期91-98,共8页
-
基金
国家自然科学基金(61772249)
辽宁省教育厅一般项目(LJ2019QL017,LJKZ0355)。
-
文摘
肿瘤突变负荷与非小细胞肺癌的免疫治疗疗效呈正相关,在临床实践中一般通过全外显子组测序来测量肿瘤突变负荷。然而,全外显子组测序操作复杂耗时、价格昂贵,导致大多数医院无法使用。基于此,提出了一种成本低、周期短、准确率高的基于病理组织切片预测肺腺癌肿瘤突变负荷的深度学习模型DBFormer。首先,颜色反卷积结构将输入模型的数字病理图像的RGB和HED图像信息相结合,丰富输入的病理图像信息,使模型更加适合医学任务分类;其次,图像通过四层金字塔结构,每层都包括一个最大池化层和一个DBFormer块,最大池化层减小图像尺寸、提升特征矩阵维度,DBFormer块包含归一化层和双重路由注意力机制对图像进行特征提取和处理;最后,从公开数据集TCGA-LUAD中随机选取337张和200张肺癌组织病理图像,分别构建二分类和三分类数据集进行实验。在二分类数据集上DBFormer模型的AUC,F1-Score,Precision,Recall,分别达到了99.7%,97.3%,97.6%,97.2%;在三分类数据集上DBFormer的Accuracy,Precision,Recall,F1-Score分别达到了97.3%,97.0%,97.0%,97.1%。实验结果表明,DBFormer模型相较于经典深度学习模型,在基于数字病理图像预测肺腺癌肿瘤突变负荷任务上具有更加优异的性能。
-
关键词
肿瘤突变负荷预测
肺腺癌
组织病理图像
深度学习模型
自注意力机制
-
Keywords
Tumor mutation burden prediction
Lung adenocarcinoma
Histopathological image
Deep learning model
Self-attention mechanism
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
