Genomics-guided Representation Learning for Pathologic Pan-cancer Tumor Microenvironment Subtype Prediction

要約

Tumor MicroEnvironment (TME) の特性評価は、その複雑さと不均一性により困難です。
比較的一貫した TME 特性が、高度に特異的な組織特徴内に埋め込まれているため、予測が困難になります。
TME サブタイプを正確に分類する機能は、臨床腫瘍診断と精密医療にとって非常に重要です。
異なる起源を持つ腫瘍が同様の微小環境パターンを共有するという観察に基づいて、汎がんTMEサブタイプ予測に全スライド画像（WSI）を採用したゲノミクス誘導型シャム表現学習フレームワークであるPathoTMEを提案します。
具体的には、Siamese ネットワークを利用してゲノム情報を正則化要素として活用し、トレーニング段階での WSI 埋め込み学習を支援します。
さらに、ドメイン敵対的ニューラル ネットワーク (DANN) を採用して、組織タイプの変動による影響を軽減します。
ドメインのバイアスを排除するために、動的な WSI プロンプトはモデルの機能をさらに活用できるように設計されています。
私たちのモデルは、TCGA データセット上の 23 種類のがんにおいて、他の最先端の手法よりも優れたパフォーマンスを達成しています。
私たちのコードは https://github.com/Mengflz/PathoTME で入手できます。

要約(オリジナル)

The characterization of Tumor MicroEnvironment (TME) is challenging due to its complexity and heterogeneity. Relatively consistent TME characteristics embedded within highly specific tissue features, render them difficult to predict. The capability to accurately classify TME subtypes is of critical significance for clinical tumor diagnosis and precision medicine. Based on the observation that tumors with different origins share similar microenvironment patterns, we propose PathoTME, a genomics-guided Siamese representation learning framework employing Whole Slide Image (WSI) for pan-cancer TME subtypes prediction. Specifically, we utilize Siamese network to leverage genomic information as a regularization factor to assist WSI embeddings learning during the training phase. Additionally, we employ Domain Adversarial Neural Network (DANN) to mitigate the impact of tissue type variations. To eliminate domain bias, a dynamic WSI prompt is designed to further unleash the model’s capabilities. Our model achieves better performance than other state-of-the-art methods across 23 cancer types on TCGA dataset. Our code is available at https://github.com/Mengflz/PathoTME.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google