검색 및 분류를 위한 애플리케이션을 사용하여 전체 슬라이드 이미지에서 RNA 서열 발현을 예측하는 방법 학습

커뮤니케이션 생물학 6권, 기사 번호: 304(2023) 이 기사 인용

3463 액세스

14 알트메트릭

측정항목 세부정보

딥 러닝 방법은 예후 및 진단과 같은 임상 문제를 해결하기 위해 디지털 병리학에 널리 적용됩니다. 가장 최근의 응용 분야 중 하나인 심층 모델은 전체 슬라이드 이미지에서 분자 특징을 추출하는 데에도 사용되었습니다. 분자 검사는 풍부한 정보를 전달하지만 비용이 많이 들고 시간이 많이 걸리며 샘플링을 위해 추가 조직이 필요합니다. 본 논문에서는 이미지에서 벌크 RNA-seq을 예측하는 동시에 유리 슬라이드의 전체 슬라이드 이미지를 나타내는 방법을 학습할 수 있는 주의 기반 토폴로지인 tRNAsformer를 제안합니다. tRNAsformer는 이미지에 픽셀 수준 주석을 사용할 수 없는 동안 약한 지도 문제를 해결하기 위해 다중 인스턴스 학습을 사용합니다. 우리는 여러 실험을 수행하여 최신 알고리즘에 비해 더 나은 성능과 더 빠른 수렴을 달성했습니다. 제안된 tRNAsformer는 조직 형태와 생검 샘플의 분자 지문을 결합하여 차세대 검색 및 분류 방법을 촉진하는 컴퓨터 병리학 도구로 도움을 줄 수 있습니다.

병리학자는 조직병리학을 사용하여 생검 표본을 검사한 후 암을 진단하고 등급을 매깁니다. 디지털 병리학의 도입, 컴퓨팅 기술의 발전, 대규모 데이터 세트의 가용성 확대로 인해 다양한 임상 작업에 대해 점점 더 복잡해지는 딥 러닝 모델을 훈련하는 것이 가능해졌습니다. CNN(컨벌루션 신경망)은 딥 러닝 아키텍처 중 암 하위 유형 지정1, 전체 슬라이드 이미지(WSI) 검색 및 분류2, 유사분열 감지3, 등급 지정4 등 광범위한 임상 응용 분야에서 다른 모든 기존 컴퓨터 비전 알고리즘을 능가했습니다.

그러나 최근에는 이미지에 포함된 형태학적 특성을 분자 서명과 연결하려는 시도가 몇 차례 있었습니다5,6,7,8. 예를 들어, 최근 연구에 따르면 통계 모델은 조직 형태학적 특성을 폐와 전립선을 포함한 기관의 돌연변이와 연결할 수 있는 것으로 나타났습니다9,10. 돌연변이와 후성유전학적 변형은 유전자 발현에 큰 변화를 일으키는 것으로 알려져 있습니다. 따라서 유전자 발현의 특성화는 진단 및 치료에 필수적일 수 있습니다. 유전자 정보를 연구하기 위한 보다 저렴한 전체 전사체 시퀀싱 도구가 확립되었음에도 불구하고 의료 센터에서 널리 사용되기에는 아직 갈 길이 멀습니다12. 반면, 헤마톡실린 및 에오신(H&E)으로 염색된 WSI에서 분자 특징을 복구하는 것은 더 빠르고 저렴한 옵션 중 하나입니다. 중간 양식 또는 결과로서 WSI를 사용하여 유전자 발현을 예측하는 능력은 진단 및 예후에 도움이 되는 것으로 입증되었습니다5,8. 이전 연구에서는 WSI를 이용한 유전자 발현 예측에 주목했습니다. 그러나 WSI의 규모와 주석이 잘 달린 데이터의 양은 여전히 ​​심각한 문제를 야기합니다. 특히 샘플 선택과 WSI 표현은 임의로 다루어지는 공개 주제입니다.

가장 최근의 글로벌 암 통계 보고서에 따르면, 2020년에 전 세계적으로 신장암이 새로 발병한 사례는 431,288건, 사망자는 179,368명으로 추정됩니다13. 신세포암종(RCC)은 악성 사례의 85%를 차지하는 가장 흔한 신장암입니다14. 단일 악성 표현형부터 이질적인 종양 그룹에 이르기까지 RCC에 대한 우리의 지식은 시간이 지남에 따라 발전해 왔습니다. 모든 RCC 조직학적 하위 유형 중에서 ccRCC, pRCC 및 crRCC는 각각 전체 RCC 사례의 거의 75%, 16% 및 7%를 차지합니다14. RCC 아형은 이러한 이질성으로 인해 조직학, 분자적 특성, 임상 결과 및 치료 반응성이 다릅니다. 예를 들어, 5년 생존율은 하위 유형에 따라 다르기 때문에 적절한 하위 유형 진단이 중요합니다15. 이 작업의 모든 방법은 RCC 슬라이드에 적용되어 검색 및 분류를 사용하여 하위 유형을 식별합니다.