Breast Cancer Histopathology Image based Gene Expression Prediction using Spatial Transcriptomics data and Deep Learning

要約

乳がんの腫瘍の不均一性は、結果と治療への反応を予測する上で課題をもたらします。
空間トランスクリプトミクス技術は、細胞レベルでの遺伝子発現に関する豊富な情報を提供するため、これらの課題に対処する可能性がありますが、高価であり、大規模な臨床腫瘍学研究での使用を妨げています.
ヘマトキシリンおよびエオシンで染色された組織像から遺伝子発現を予測することは、そのような研究のためのより手頃な代替手段を提供します。
ここでは、空間トランスクリプトミクス データを使用して組織病理学画像から遺伝子発現を予測するためのディープ ラーニング フレームワークである BrST-Net を紹介します。
このフレームワークを使用して、250 個の遺伝子の予測に事前トレーニング済みの重みを使用せずに、10 個の最先端の深層学習モデルをトレーニングおよび評価しました。
メイン ネットワークの汎化パフォーマンスを向上させるために、フレームワークに補助ネットワークを導入します。
私たちの方法論は以前の研究よりも優れており、相関係数の中央値が 0.50 を超える 24 の遺伝子を含む 237 の遺伝子が正の相関で特定されました。
これは、0.29 から 0.34 の範囲の最高の相関値で、正の相関を持つ 102 の遺伝子のみを予測できた以前の研究よりも顕著な改善です。

要約(オリジナル)

Tumour heterogeneity in breast cancer poses challenges in predicting outcome and response to therapy. Spatial transcriptomics technologies may address these challenges, as they provide a wealth of information about gene expression at the cell level, but they are expensive, hindering their use in large-scale clinical oncology studies. Predicting gene expression from hematoxylin and eosin stained histology images provides a more affordable alternative for such studies. Here we present BrST-Net, a deep learning framework for predicting gene expression from histopathology images using spatial transcriptomics data. Using this framework, we trained and evaluated 10 state-of-the-art deep learning models without utilizing pretrained weights for the prediction of 250 genes. To enhance the generalisation performance of the main network, we introduce an auxiliary network into the framework. Our methodology outperforms previous studies, with 237 genes identified with positive correlation, including 24 genes with a median correlation coefficient greater than 0.50. This is a notable improvement over previous studies, which could predict only 102 genes with positive correlation, with the highest correlation values ranging from 0.29 to 0.34.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google