基于可解释细胞图与成像质谱流式技术的肺癌生存预测
计算机视觉与模式识别
2024-11-13 v1 机器学习
摘要
准确的生存预测对于癌症患者的个性化治疗决策至关重要。我们利用细胞图神经网络对肿瘤微环境进行空间建模，提出了一种可解释的细胞图（xCG）方法用于生存预测。我们在一个包含416例肺腺癌病例的公开成像质谱流式技术（IMC）数据集上验证了我们的模型。通过计算细胞图上的风险归因，我们根据已知的细胞水平表型来解释生存预测，为此我们提出了一种高效的基于网格的逐层相关性传播（LRP）方法。我们的消融研究强调了结合癌症分期和模型集成对于提高风险估计质量的重要性。我们的xCG方法以及IMC数据已公开，以支持进一步的研究。
关键词
引用
@article{arxiv.2411.07643,
title = {xCG: Explainable Cell Graphs for Survival Prediction in Non-Small Cell Lung Cancer},
author = {Marvin Sextro and Gabriel Dernbach and Kai Standvoss and Simon Schallenberg and Frederick Klauschen and Klaus-Robert Müller and Maximilian Alber and Lukas Ruff},
journal= {arXiv preprint arXiv:2411.07643},
year = {2024}
}
备注
Findings paper presented at Machine Learning for Health (ML4H) symposium 2024, December 15-16, 2024, Vancouver, Canada, 11 pages