迈向计算荧光显微镜：基于机器学习的肿瘤形态与分子谱整合预测
计算机视觉与模式识别
2018-05-30 v1
摘要
近期癌症研究的进展主要依赖于显微或分子谱分析技术的新发展，这些技术分别在空间或分子特征上提供高细节水平，但通常无法兼顾两者。在此，我们提出一种基于机器学习的新型计算方法，能够从乳腺癌成像数据中识别组织形态特征并预测分子属性。这种将肿瘤微解剖信息与复杂分子谱数据（包括蛋白质或基因表达、拷贝数变异、基因甲基化和体细胞突变）的整合，提供了一种新途径，可对分子标记物进行计算评分，以评估其与癌症的相关性及其在肿瘤微环境中的空间关联。
引用
@article{arxiv.1805.11178,
title = {Towards computational fluorescence microscopy: Machine learning-based integrated prediction of morphological and molecular tumor profiles},
author = {Alexander Binder and Michael Bockmayr and Miriam Hägele and Stephan Wienert and Daniel Heim and Katharina Hellweg and Albrecht Stenzinger and Laura Parlow and Jan Budczies and Benjamin Goeppert and Denise Treue and Manato Kotani and Masaru Ishii and Manfred Dietel and Andreas Hocke and Carsten Denkert and Klaus-Robert Müller and Frederick Klauschen},
journal= {arXiv preprint arXiv:1805.11178},
year = {2018}
}