مرکز تحقیقات اورولوژی | Predicting response to neoadjuvant chemotherapy in muscle-invasive bladder cancer via interpretable multi-modal deep learning

مرکز تحقیقات اورولوژی | Predicting response to neoadjuvant chemotherapy in muscle-invasive bladder cancer via interpretable multi-modal deep learning
سایت دانشگاه | 28 آبان 1405
لوگو

مرکز تحقیقات ارولوژی

دانشگاه علوم پزشکی تهران

Predicting response to neoadjuvant chemotherapy in muscle-invasive bladder cancer via interpretable multi-modal deep learning

Screenshot (190)

هرروز یک مقاله ، شنبه 30 خردادماه 1405 

این مطالعه به توسعه و ارزیابی یک روش هوش مصنوعی مبتنی بر یادگیری عمیق چند وجهی تفسیرپذیر برای پیش‌بینی پاسخ به شیمی‌ درمانی نئوادجوانت در سرطان مثانه مهاجم به عضله می‌پردازد. با توجه به اینکه در این سرطان ناهمگونی تومور پیش‌ بینی پاسخ به درمان بمنظور انتخاب روش درمان را دشوار می‌کند، روش پیشنهاد شده سعی می کند انتخاب روش درمان را بهبود بخشد. ایده اصلی روش پیشنهادی این می باشد که بجای تکیه بر داده های تک وجهی، از داده های چند وجهی (هیستو پاتولوژی، نوع سلول، و بیان ژن) بطور همزمان برای پیش بینی پاسخ به درمان استفاده شده است. علاوه بر این، این روش نیز می تواند عوامل بیولوژیکی تعیین کننده پاسخ به شیمی‌ درمانی را شناسایی کند. روش توسعه‌یافته یک چارچوب یادگیری عمیق با ماژول ترکیب متاخر چندوجهی مبتنی بر گراف (برای ترکیب نتایج چند وجهی) است که برای ادغام اطلاعات مکمل از لایه‌های بیولوژیکی مختلف طراحی شده است. در روش پیشنهادی یک شاخه پردازشی وظیفه استخراج اطلاعات بافتی (مورفولوژیک) از تصاویر هیستو پاتولوژی، یک شاخه وظیفه استخراج اطلاعات سلولی (ریز محیط تومور) از تصاویر هیستو پاتولوژی، و یک شاخه وظیفه استخراج اطلاعات مربوط به بیان ژن را به عهده دارند. معماری مدل به‌گونه‌ای است که از یک بازنمایی مبتنی بر گراف برای ثبت روابط بین انواع سلول‌ها یا اجزای بافت استفاده می‌کند و سپس این وجه های مختلف را از طریق ترکیب متأخر یکپارچه می‌کند، در واقع هر منبع داده در مسیر اختصاصی خودش پردازش شده و نهایتا در مرحله نزدیک به پیش‌بینی، با سایر منابع ترکیب می‌شود. برای شاخه استخراج اطلاعات بیان ژن از شبکه پرسپترون چند لایه و برای استخراج اطلاعات در دو شاخه دیگر از شبکه های کانولوشنی استفاده شده است. تاکید بر تفسیرپذیری در روش ارائه شده نشان می‌دهد که هدف روش تنها پیش‌بینی نیست، بلکه شناسایی ویژگی‌ها یا الگوهای بیولوژیکی است که محرک پاسخ به درمان هستند یا به عبارت دیگر در پیش بینی پاسخ به درمان موثر بودند. برای تفسیر پذیری نیز از روش SHAP استفاده شده است. در این مطالعه از داده های ۱۸۰ بیمار که ۵۶ تای آنها پاسخ کامل از درمان گرفته اند و ۱۲۶ تای آن ها بدون پاسخ یا پاسخ ناقص به درمان (بر اساس بررسی طولانی مدت پیامد ها) داشته اند برای آموزش و ارزیابی مدل استفاده شده است (۵۶+۱۲۶ = ۱۸۲ ممکن است اشتباه تایپی باشد). نتایج مطالعه نشان داد که با معیار مساحت زیر سطح منحنی ROC مقدار ۰.۷۴ با استراتژی 5-fold cross validation برای پیش بینی پاسخ به درمان بدست آمد که از روش های تک وجهی برتری داشت. همچنین آنالیز تفسیر پذیری نشان داد که داده های بیان ژن بیشترین تاثیر در پیش بینی پاسخ به درمان و از آنجا سه ژن TP63 – CCL5 - DCN بیشترین تاثیر را داشتند. در مجموع، این مقاله یک رویکرد هوش مصنوعی چندوجهی برای پیش‌بینی پاسخ به شیمی‌درمانی در سرطان مثانه ارائه می‌دهد و دستاورد کلیدی آن، معماری آن است که داده‌های تصویربرداری و ترانسکریپتومیک را به شیوه‌ای تفسیرپذیر ترکیب می‌کند. این روش باعث می شود تا بطور کلی بتوان بیمارانی را که احتمالاً از شیمی‌ درمانی نئوادجوانت سود می‌برند را شناسایی تا در بازه زمانی طلایی درمان مناسب آن ها انجام گردد.

 

https://www.nature.com/articles/s41746-025-01560-y

کلمات کلیدی
مدیر سایت
تهیه کننده:

مدیر سایت

0 نظر برای این مطلب وجود دارد

ارسال نظر

نظر خود را وارد نمایید:

متن درون تصویر را در جعبه متن زیر وارد نمائید *
متن مورد نظر خود را جستجو کنید
تنظیمات پس زمینه