图神经网络与 Neural-ODEs 融合用于肿瘤动态预测
机器学习
2024-03-29 v2
摘要
在抗癌药物开发中，一个重大的科学挑战是厘清来自患者肿瘤样本的高维基因组学数据、相应肿瘤的原发器官、与给定治疗相关的药物靶点以及由此产生的治疗反应之间的复杂关系。此外，为实现精准医学在根据治疗反应识别和调整患者治疗方案方面的愿景，需要构建能够整合纵向肿瘤尺寸以及多模态高内涵数据的肿瘤动态模型。在这项工作中，我们提出一种异构图编码器，利用二部图卷积神经网络（GCN）与神经常微分方程（Neural-ODEs）相结合，朝着增强个性化肿瘤动态预测迈出了一步。我们将该方法应用于大量患者来源异种移植（PDX）数据，涵盖源自多个不同器官的肿瘤上的广泛治疗（及其组合）。我们首先表明，该方法能够发现一种肿瘤动态模型，显著优于当前使用的经验模型。此外，我们表明图编码器能够有效利用多模态数据来增强肿瘤预测。我们的发现表明，该方法具有重大前景，并在临床前环境中提供了潜在应用。
引用
@article{arxiv.2310.00926,
title = {Integration of Graph Neural Network and Neural-ODEs for Tumor Dynamic Prediction},
author = {Omid Bazgir and Zichen Wang and Ji Won Park and Marc Hafner and James Lu},
journal= {arXiv preprint arXiv:2310.00926},
year = {2024}
}