深度学习生成定制化逻辑回归模型以解释乳腺癌亚型分类机制
机器学习
2023-07-19 v2 人工智能
机器学习
摘要
区分乳腺癌的固有亚型对于决定最佳治疗策略至关重要。深度学习比传统统计方法能更准确地从遗传信息预测亚型，但迄今为止，深度学习尚未被直接用于考察哪些基因与哪些亚型相关。为阐明固有亚型中蕴含的机制，我们开发了一种称为逐点线性（PWL）模型的可解释深度学习模型，该模型为每位患者生成定制化的逻辑回归。逻辑回归为临床医生和医学信息学研究者所熟悉，使我们能够分析特征变量的重要性，而PWL模型利用了逻辑回归的这些实用能力。在本研究中，我们表明分析乳腺癌亚型对患者具有临床获益，并且是验证PWL模型能力的最佳方式之一。首先，我们用RNA-seq数据训练PWL模型以预测PAM50固有亚型，并通过亚型预测任务将其应用于PAM50的41/50个基因。其次，我们开发了一种深度富集分析方法，以揭示PAM50亚型与乳腺癌拷贝数之间的关系。我们的发现表明，PWL模型利用了与细胞周期相关通路有关的基因。这些在乳腺癌亚型分析中的初步成功展示了我们的分析策略在阐明乳腺癌潜在机制和改善总体临床结局方面的潜力。
引用
@article{arxiv.2001.06988,
title = {Deep learning generates custom-made logistic regression models for explaining how breast cancer subtypes are classified},
author = {Takuma Shibahara and Chisa Wada and Yasuho Yamashita and Kazuhiro Fujita and Masamichi Sato and Junichi Kuwata and Atsushi Okamoto and Yoshimasa Ono},
journal= {arXiv preprint arXiv:2001.06988},
year = {2023}
}
备注
25 pages, 5 figures