将先验知识注入预测全切片图像中基因表达的深度学习模型
计算机视觉与模式识别
2025-01-27 v1
摘要
癌症诊断和预后主要依赖临床参数，如年龄和肿瘤分级，日益补充来自肿瘤测序的分子数据，如基因表达。然而，测序成本高昂且延迟医学流程。最近的深度学习进展允许从 Whole Slide Images (WSIs) 中的形态特征预测分子信息，提供了对分子标记的成本有效替代方案。尽管前景光明，但当前方法缺乏鲁健性，难以完全取代直接测序。我们旨在通过引入一种模型中性框架，将对基因-基因相互作用的先验知识注入深度学习模型，从而提高准确性和鲁健性。我们设计的框架通用且可灵活适应各种体系结构。在乳腺癌案例研究中，我们的策略在所有 18 项实验中平均提高了 983 个显著基因（占 25,761 个总数），其中 14 项在独立数据集上实现提升。我们的发现表明，注入先验知识具有高度潜力，可提高从 WSIs 预测基因表达性能，适用于各种体系结构。
引用
@article{arxiv.2501.14056,
title = {Prior Knowledge Injection into Deep Learning Models Predicting Gene Expression from Whole Slide Images},
author = {Max Hallemeesch and Marija Pizurica and Paloma Rabaey and Olivier Gevaert and Thomas Demeester and Kathleen Marchal},
journal= {arXiv preprint arXiv:2501.14056},
year = {2025}
}