基于图神经网络的组学特征与基因表达谱在组织病理学数据中的比较分析
计算机视觉与模式识别
2023-12-27 v1 计算工程、金融与科学
机器学习
摘要
本研究利用图神经网络整合MELC数据与放射组学提取的特征进行黑色素瘤分类，侧重于细胞级分析。评估了基因表达谱和放射组学特征的有效性，发现放射组学特征，特别是与UMAP降维结合时，显著提高了分类性能。值得注意的是，使用放射组学有助于提高诊断准确性和计算效率，因为它允许从更少的染色中提取关键数据，从而降低操作成本。该方法标志着计算皮肤病学中黑色素瘤细胞分类的进步，为未来的研究和潜在发展奠定了基础。
引用
@article{arxiv.2312.15825,
title = {Comparative Analysis of Radiomic Features and Gene Expression Profiles in Histopathology Data Using Graph Neural Networks},
author = {Luis Carlos Rivera Monroy and Leonhard Rist and Martin Eberhardt and Christian Ostalecki and Andreas Bauer and Julio Vera and Katharina Breininger and Andreas Maier},
journal= {arXiv preprint arXiv:2312.15825},
year = {2023}
}
备注
Paper accepted at the German Conference on Medical Image Computing 2024