基于深度学习的肺腺癌肿瘤突变负荷的预测

肿瘤突变负荷(TMB)与非小细胞肺癌(NSCLC)的免疫治疗疗效呈正相关,并且在近期的相关研究中,肿瘤突变负荷对靶向治疗及化疗的疗效也有一定的预测作用.因此,提出一种融合注意力机制的Inception深度学习模型(CAIM),用于对TCGA数据库中的非小型细胞肺癌中的肺腺癌的病理切片进行识别.首先,对数据样本进行切分,裁剪成小切片;然后送入到深度学习模型中,通过卷积学习图像特征,再与注意力机制结合进一步加强特征的提取;最后通过对小切片预测信息的整合,自动判别肺腺癌病理切片TMB值的高低.数据集由337张肺腺癌病理组织切片组成,其中高TMB值的数据271张,低TMB值的数据实验66张.结果 表明,所提方法的性能平均曲线下面积(AUC)为0.82,明显高于图像分类方法残差网络(ResNet)的AUC值0.66.研究结果对临床实践中肿瘤突变负荷的检测和辅助诊断具有重要意义.