基于生物-语言知识增强的全切片图像基因突变预测：多标签分类视角
计算机视觉与模式识别
2024-06-06 v1
摘要
从全切片图像预测基因突变是癌症诊断不可或缺的任务。然而，现有工作通过训练多个二分类模型面临两个挑战：（a）训练多个二分类器效率低下，且不可避免地导致类别不平衡问题；（b）忽略了基因之间的生物学关系，限制了预测性能。为此，我们创新性地设计了一种生物知识增强的PathGenomic多标签Transformer，以提高基因突变预测性能。BPGT首先建立了一个新型基因编码器，通过两个仔细设计的模块构建基因先验：（a）基因图，其节点特征为基因的语言描述和癌症表型，边通过基因的通路关联和突变一致性建模；（b）知识关联模块，通过基于Transformer的图表示学习将语言知识和生物医学知识融合到基因先验中，捕捉不同基因突变之间内在关系。BPGT随后设计了一个标签解码器，最终通过两个定制模块进行基因突变预测：（a）模态融合模块首先将基因先验与WSI中的关键区域融合，获得基因级突变logit；（b）比较型多标签损失强调突变状态之间的内在比较，以增强判别能力。在The Cancer Genome Atlas基准数据集上的充分实验表明，BPGT超越了最先进的方法。
引用
@article{arxiv.2406.02990,
title = {Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification},
author = {Gexin Huang and Chenfei Wu and Mingjie Li and Xiaojun Chang and Ling Chen and Ying Sun and Shen Zhao and Xiaodan Liang and Liang Lin},
journal= {arXiv preprint arXiv:2406.02990},
year = {2024}
}
备注
16 pages, 8 figures, and 3 tables