利用人工反事实组织样本在硅基环境中研究治疗效果与疾病结局
计算机视觉与模式识别
2023-02-08 v1
摘要
理解免疫肿瘤微环境（iTME）内不同细胞类型的相互作用，对于开发免疫治疗手段以及预测其疗效至关重要。高度多重组织成像（HMTI）技术提供了一种工具，可通过测量多种蛋白质的表达并将其存储在独立的图像通道中来捕获组织样本的细胞特性。HMTI技术可用于深入洞察iTME，特别是不同关注患者结局组（例如治疗应答者与非应答者）之间iTME的差异。理解不同患者结局组iTME中的系统性差异，对于开发更好的疗法和实现现有疗法的个性化至关重要。然而，此类分析 inherently 受限于以下事实：任意两个组织样本会因大量与结局无关的因素而存在差异。在此，我们提出CF-HistoGAN，一种采用生成对抗网络（GANs）来生成人工反事实组织样本的机器学习框架，这些样本尽可能贴近原始组织样本，但捕获另一患者结局组的特征。具体而言，我们学习将HMTI样本从某一患者组“翻译”以创建人工配对样本。我们表明，该方法可直接研究不同患者结局对单个组织样本iTME的影响。我们证明CF-HistoGAN可用作理解iTME在像素级影响的探索性工具。此外，我们表明，与传统方法相比，我们的方法可用于以更高的灵敏度识别不同患者组间不同蛋白质表达的统计显著差异。
引用
@article{arxiv.2302.03120,
title = {Studying Therapy Effects and Disease Outcomes in Silico using Artificial Counterfactual Tissue Samples},
author = {Martin Paulikat and Christian M. Schürch and Christian F. Baumgartner},
journal= {arXiv preprint arXiv:2302.03120},
year = {2023}
}