基于注意力的组织学中基因表达可解释回归
定量方法
2022-08-31 v1 机器学习
摘要
深度学习的可解释性被广泛用于评估医学影像模型的可靠性，并降低不准确患者建议的风险。对于超越人类表现的模型，例如从显微图像预测 RNA 结构，可解释建模可进一步用于揭示人眼原本无法察觉的高度非平凡模式。我们表明，可解释性可以揭示癌症组织的微观外观与其基因表达谱之间的联系。虽然从组织学图像对所有基因进行详尽分析仍具挑战性，我们估计了一组众所周知的基因子集的表达值，该子集可指示结直肠癌的癌症分子亚型、生存和治疗反应。我们的方法成功从图像切片中识别出有意义的信息，突出高基因表达的热点区域。我们的方法有助于刻画基因表达如何塑造组织形态，这可能有益于病理科的患者分层。代码已在 GitHub 上提供。
引用
@article{arxiv.2208.13776,
title = {Attention-based Interpretable Regression of Gene Expression in Histology},
author = {Mara Graziani and Niccolò Marini and Nicolas Deutschmann and Nikita Janakarajan and Henning Müller and María Rodríguez Martínez},
journal= {arXiv preprint arXiv:2208.13776},
year = {2022}
}
备注
Github Repo: https://github.com/maragraziani/interpretableWSItoRNAseq