One-dimensional convolutional neural network model for breast cancer subtypes classification and biochemical content evaluation using micro-FTIR hyperspectral images

要約

乳がんの治療は依然として課題が残されており、分子サブタイプの分類は適切で特異的な治療法を選択する上で重要な役割を果たしています。
4 つのサブタイプは、ルミナル A (LA)、ルミナル B (LB)、HER2 サブタイプ、およびトリプルネガティブ乳がん (TNBC) です。
観察者間の変動が報告されており、分子シグネチャーの同定には時間がかかりますが、免疫組織化学が最も標準的な評価です。
機械学習アプローチを備えたフーリエ変換赤外顕微分光法は、がんサンプルの評価に使用されており、生化学関連の説明可能性を示しています。
ただし、深層学習を使用する場合、この説明可能性はさらに難しくなります。
この研究では、乳がんのサブタイプ評価と生化学的寄与のための 1D ディープラーニング ツールを作成しました。
60 枚のハイパースペクトル画像がヒト乳がんマイクロアレイから取得されました。
K-Means クラスタリングを適用して、組織とパラフィンのスペクトルを選択しました。
新しい 1D 畳み込みニューラル ネットワークである CaReNet-V1 は、乳がん (CA) と隣接組織 (AT)、および分子サブタイプを分類するために開発されました。
Grad-CAM の 1D 適応を適用して、分類に対する生化学的影響を評価しました。
CaReNet-V1 は、CA および AT (検査精度 0.89)、HER2 および TNBC サブタイプ (0.83 および 0.86) を効果的に分類しましたが、LA および LB についてはより困難でした (0.74 および 0.68)。
このモデルにより、予測に最も寄与する波数の評価が可能になり、生化学的内容との直接的な関係が得られました。
したがって、CaReNet-V1 とハイパースペクトル画像は、乳がん生検評価の潜在的なアプローチであり、病理レポートに追加情報を提供します。
生化学内容影響特徴は、治療効果の評価や新しい診断法や治療法の開発など、他の研究に使用される場合があります。

要約(オリジナル)

Breast cancer treatment still remains a challenge, where molecular subtypes classification plays a crucial role in selecting appropriate and specific therapy. The four subtypes are Luminal A (LA), Luminal B (LB), HER2 subtype, and Triple-Negative Breast Cancer (TNBC). Immunohistochemistry is the gold-standard evaluation, although interobserver variations are reported and molecular signatures identification is time-consuming. Fourier transform infrared micro-spectroscopy with machine learning approaches have been used to evaluate cancer samples, presenting biochemical-related explainability. However, this explainability is harder when using deep learning. This study created a 1D deep learning tool for breast cancer subtype evaluation and biochemical contribution. Sixty hyperspectral images were acquired from a human breast cancer microarray. K-Means clustering was applied to select tissue and paraffin spectra. CaReNet-V1, a novel 1D convolutional neural network, was developed to classify breast cancer (CA) and adjacent tissue (AT), and molecular subtypes. A 1D adaptation of Grad-CAM was applied to assess the biochemical impact to the classifications. CaReNet-V1 effectively classified CA and AT (test accuracy of 0.89), as well as HER2 and TNBC subtypes (0.83 and 0.86), with greater difficulty for LA and LB (0.74 and 0.68). The model enabled the evaluation of the most contributing wavenumbers to the predictions, providing a direct relationship with the biochemical content. Therefore, CaReNet-V1 and hyperspectral images is a potential approach for breast cancer biopsies assessment, providing additional information to the pathology report. Biochemical content impact feature may be used for other studies, such as treatment efficacy evaluation and development new diagnostics and therapeutic methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google