基于一维卷积神经网络的乳腺癌亚型分类与生化成分评估模型:利用微傅里叶变换红外高光谱图像
机器学习
2023-10-24 v1 人工智能
摘要
乳腺癌治疗仍是一项挑战,其中分子亚型分类在选择合适的特异性疗法中起着关键作用。四种亚型为Luminal A(LA)、Luminal B(LB)、HER2亚型及三阴性乳腺癌(TNBC)。免疫组化是金标准评估方法,尽管有报道称存在观察者间差异且分子特征识别耗时。傅里叶变换红外显微光谱结合机器学习方法已被用于评估癌症样本,呈现出与生化相关的可解释性。然而,在使用深度学习时这种可解释性更难获得。本研究创建了一种用于乳腺癌亚型评估与生化贡献分析的一维深度学习工具。从人乳腺癌微阵列中获取了六十张高光谱图像。应用K-Means聚类筛选组织与石蜡光谱。开发了新颖的一维卷积神经网络CaReNet-V1,用于分类乳腺癌(CA)与邻近组织(AT)以及分子亚型。采用一维Grad-CAM评估生化对分类的影响。CaReNet-V1有效分类了CA与AT(测试准确率0.89),以及HER2与TNBC亚型(0.83与0.86),对LA与LB则较困难(0.74与0.68)。该模型能够评估对预测贡献最大的波数,提供与生化内容的直接关联。因此,CaReNet-V1与高光谱图像是一种用于乳腺癌活检评估的潜在方法,可为病理报告提供附加信息。生化含量影响特征可用于其他研究,如治疗效果评估及开发新诊断与治疗方法。
引用
@article{arxiv.2310.15094,
title = {One-dimensional convolutional neural network model for breast cancer subtypes classification and biochemical content evaluation using micro-FTIR hyperspectral images},
author = {Matheus del-Valle and Emerson Soares Bernardes and Denise Maria Zezell},
journal= {arXiv preprint arXiv:2310.15094},
year = {2023}
}
备注
23 pages, 5 figures, 2 tables