
-
生物通官微
陪你抓住生命科技
跳动的脉搏
随机特征与 milkmaid 统计模型相遇:一种用于预测结直肠微卫星不稳定性的深度遗传程序(Deep GP)方法
《npj Digital Medicine》:Random features meet MIL: a deep GP approach to colorectal MSI prediction
【字体: 大 中 小 】 时间:2025年12月16日 来源:npj Digital Medicine 15.1
编辑推荐:
摘要结直肠癌(CRC)是全球癌症相关死亡的主要原因之一,早期诊断对于改善患者预后至关重要。尽管该领域取得了显著进展,但由于数据监督不足、数据异质性以及大规模数据集等问题,从医学图像中进行准确预测仍然面临挑战。在本文中,我们提出了一种新的结直肠癌分类方法,该方法将深度高斯过程(DG
结直肠癌(CRC)是全球癌症相关死亡的主要原因之一,早期诊断对于改善患者预后至关重要。尽管该领域取得了显著进展,但由于数据监督不足、数据异质性以及大规模数据集等问题,从医学图像中进行准确预测仍然面临挑战。在本文中,我们提出了一种新的结直肠癌分类方法,该方法将深度高斯过程(DGP)与多实例学习(MIL)相结合。我们的方法旨在处理只有袋级标签可用且标记较弱的数据,并通过使用具有随机特征扩展的深度高斯过程(DGP-RF)来提高分类性能。此外,我们的方法还引入了一种基于注意力的聚合机制,以突出全切片图像中的关键区域,从而增强模型的可解释性和鲁棒性。在TCGA-CRC数据集上的实验结果表明,我们的模型性能优于现有模型,其AUC值为0.895,而ResNet的AUC值为0.777,EfficientNet为0.791,ShuffleNet为0.784。这些结果凸显了我们在准确性和鲁棒性方面的优势。这项工作为自动化癌症检测提供了一种有前景的工具,并具有临床应用的潜力。