基于块图神经网络的肿瘤异质性预测
计算机视觉与模式识别
2025-02-11 v1 机器学习
机器学习
摘要
准确的肿瘤分类对于选择有效的治疗方案至关重要，但当前方法存在局限性。标准肿瘤分级方法是根据细胞分化程度对肿瘤进行分类，但不建议作为独立的诊断程序，因为一些well-differentiated的肿瘤可能仍具有恶性。通过单细胞测序评估肿瘤异质性提供了深刻的见解，但可能成本高昂且仍需要大量的手动干预。许多现存的统计机器学习方法在处理肿瘤数据时仍需要复杂的MRI和组织病理学数据的预处理。本文提出在模拟肿瘤演化的数学模型（O. z a n s k i, 2017）基础上生成人工数据集，用于肿瘤分类。通过归一化熵估计肿瘤异质性，并设定阈值将肿瘤分为高或低异质性。我们的贡献有三方面：(1)人工数据中的切块和图生成过程，(2)肿瘤特征的设计，(3)构建基于图神经网络的块图神经网络（BGNN），用于预测肿瘤异质性。实验结果表明，所提出的特征和模型在人工生成数据上（测试数据的准确率为89.67%）取得优异成绩。特别是，结合AI辅助分级和空间转录组学的最新趋势，我们的结果表明，通过补充生长（如Ki-67增殖指数）和凋亡标记物，可提高异质性预测并增强肿瘤分类。
引用
@article{arxiv.2502.05458,
title = {Block Graph Neural Networks for tumor heterogeneity prediction},
author = {Marianne Abémgnigni Njifon and Tobias Weber and Viktor Bezborodov and Tyll Krueger and Dominic Schuhmacher},
journal= {arXiv preprint arXiv:2502.05458},
year = {2025}
}
备注
27 pages, 8 figures