面向 MALDI 质谱成像应用的监督式拓扑数据分析
机器学习
2023-07-13 v2 机器学习
信号处理
摘要
背景：基质辅助激光解吸/电离质谱成像（MALDI MSI）在癌症研究尤其是肿瘤分型与亚型分型中展现出显著潜力。肺癌是肿瘤相关死亡的主要原因，其中致死性最高的实体为腺癌（ADC）和鳞状细胞癌（SqCC）。区分这两种常见亚型对治疗决策和患者成功管理至关重要。结果：我们提出一种新的代数拓扑框架，从 MALDI 数据中提取内在信息并将其转化为反映拓扑持久性（topological persistence）的形式。我们的框架有两个主要优势。首先，拓扑持久性有助于区分信号与噪声。其次，它压缩 MALDI 数据，节省存储空间并优化后续分类任务的计算时间。我们提出一种高效实现该拓扑框架的算法，仅依赖单一调参参数。随后，在提取的持久性特征上采用逻辑回归与随机森林分类器，从而实现自动化的肿瘤（亚）分型流程。为证明所提框架的竞争力，我们在真实世界 MALDI 数据集上通过交叉验证进行实验。此外，我们在不同噪声水平的合成 MALDI 图像上评估该单一去噪参数的性能，展示其有效性。结论：我们的实证实验表明，所提代数拓扑框架成功捕获并利用了 MALDI 数据的内在光谱信息，在肺腺癌亚型分类中取得了具竞争力的结果。而且，该框架可微调去噪的能力凸显了其通用性及在 MALDI 应用中增强数据分析的潜力。
引用
@article{arxiv.2302.13948,
title = {Supervised topological data analysis for MALDI mass spectrometry imaging applications},
author = {Gideon Klaila and Vladimir Vutov and Anastasios Stefanou},
journal= {arXiv preprint arXiv:2302.13948},
year = {2023}
}
备注
22 pages, 10 figures