Научимся прогнозировать экспрессию последовательностей РНК по целым изображениям слайдов с помощью приложений для поиска и классификации

Биология связи, том 6, Номер статьи: 304 (2023) Цитировать эту статью

3463 Доступа

14 Альтметрика

Подробности о метриках

Методы глубокого обучения широко применяются в цифровой патологии для решения клинических задач, таких как прогноз и диагностика. В качестве одного из последних приложений глубокие модели также использовались для извлечения молекулярных особенностей из целых изображений слайдов. Хотя молекулярные тесты несут богатую информацию, они часто дороги, отнимают много времени и требуют дополнительных образцов ткани. В этой статье мы предлагаем tRNAsformer, топологию, основанную на внимании, которая может научиться как предсказывать объемную последовательность РНК по изображению, так и одновременно представлять все изображение предметного стекла. tRNAsformer использует множественное обучение для решения слабо контролируемой проблемы, когда аннотация на уровне пикселей недоступна для изображения. Мы провели несколько экспериментов и добились лучшей производительности и более быстрой сходимости по сравнению с современными алгоритмами. Предлагаемый тРНКсформер может помочь в качестве инструмента вычислительной патологии для облегчения нового поколения методов поиска и классификации путем объединения морфологии тканей и молекулярных отпечатков пальцев образцов биопсии.

Патологи используют гистопатологию для диагностики и оценки рака после исследования образца биопсии. Внедрение цифровой патологии, достижения в области компьютерных технологий и растущая доступность массивных наборов данных позволили обучать все более сложные модели глубокого обучения для различных клинических задач. Сверточные нейронные сети (CNN) превзошли все другие традиционные алгоритмы компьютерного зрения в широком спектре клинических приложений, включая определение подтипов рака1, поиск и категоризацию изображений по всему слайду (WSI)2, обнаружение митоза3 и классификацию4, среди архитектур глубокого обучения.

Однако в последнее время было предпринято несколько попыток связать морфологические характеристики, заложенные в изображениях, с молекулярными сигнатурами5,6,7,8. Например, недавние исследования показали, что статистические модели могут связать гистоморфологические особенности с мутациями в органах, включая легкие и простату9,10. Известно, что мутации и эпигеномные модификации вызывают большие различия в экспрессии генов. Следовательно, характеристика экспрессии генов может иметь жизненно важное значение для диагностики и лечения11. Несмотря на то, что созданы более доступные инструменты секвенирования всего транскриптома для изучения информации о генах, им еще далеко до широкого использования в медицинских центрах12. С другой стороны, восстановление молекулярных свойств WSI, окрашенных гематоксилином и эозином (H&E), является одним из более быстрых и менее дорогих вариантов. Было продемонстрировано, что возможность прогнозировать экспрессию генов с использованием WSI, как в качестве промежуточного метода, так и в качестве результата, помогает в диагностике и прогнозе5,8. Предыдущие исследования привлекли внимание к прогнозированию экспрессии генов с использованием WSI; однако размер WSI и количество хорошо аннотированных данных по-прежнему создают серьезные проблемы. В частности, выборка выборки и представление WSI — это открытая тема, которая часто решается произвольно.

Согласно последнему отчету по глобальной статистике рака, в 2020 году во всем мире было зарегистрировано около 431 288 новых случаев рака почки и 179 368 случаев смерти13. Почечно-клеточный рак (ПКР) является наиболее распространенным раком почки, на который приходится 85% злокачественных случаев14. Наши знания о ПКР со временем развивались: от одного злокачественного фенотипа до гетерогенной группы опухолей. Среди всех гистологических подтипов ПКР скПКР, пПКР и крПКР составляют почти 75%, 16% и 7% от общего числа случаев ПКР соответственно14. Подтипы ПКР различаются по своей гистологии, молекулярным характеристикам, клиническим исходам и терапевтической чувствительности в результате этой гетерогенности. Например, поскольку 5-летняя выживаемость различается для разных подтипов, правильная диагностика подтипа имеет решающее значение15. Все методы в данной работе применяются на слайдах ПКР для выявления подтипов с помощью поиска и классификации.