طراحی مدل هوش مصنوعی چند وجهی برای پیش بینی پاسخ به ایمونوتراپی در تومورهای جامد با ادغام داده های آمیکس و پاتولوژی دیجیتال

پیش بینی بقا در بیماران مبتلا به سرطان از اهمیت بالایی در انکولوژی شخصی سازی شده برخوردار است، اما ادغام داده های ناهمگون چندوجهی آمیکس (شامل بیان ژن، متیلاسیون دی ان ای و جهش های سوماتیک) به دلیل تفاوت در قابلیت اطمینان مودالیته ها چالش برانگیز باقی مانده است. روش های موجود اغلب تمام منابع آمیکس را به طور یکسان در نظر می گیرند و از نویز و داده های گمشده خاص هر مودالیته غفلت می کنند. این پژوهش با هدف توسعه چارچوبی یادگیری عمیق به نام «عدم قطعیت آگاه ادغام چندوجهی آمیکس» (UAMOF) انجام شده است که به صورت پویا، وزن مودالیته های آمیکس را بر اساس عدم قطعیت ذاتی آن ها در پیش بینی بقا تنظیم می کند. مدل پیشنهادی از انکودرهای اختصاصی برای هر مودالیته استفاده می کند که هم زمان خطر و عدم قطعیت را پیش بینی می نمایند و سپس با استفاده از وزن دهی معکوس واریانس، نمایش های چندوجهی را ادغام می کند. ارزیابی مدل روی داده های TCGA Pan-Cancer (۱۰,۴۸۸ بیمار در۳۳ نوع سرطان) نشان می دهد که UAMOF به شاخص همخوانی (C-index) برابر با ۰.۷۲۱ دست یافته است که به طور معناداری از روش های پایه DeepSurv،Cox-nnet و روش های ادغام سنتی عملکرد بهتری دارد. مطالعات حذفی تایید می کنند که ادغام هدایت شده توسط عدم قطعیت، استحکام مدل را بهبود می بخشد، به ویژه در سرطان هایی با متیلاسیون پراکنده یا نمایه های بیانی پرسر و صدا. علاوه بر این، وزن های یادگرفته شده با شهود زیستی همسو بوده اند؛ به عنوان مثال، داده های RNA-seq در سرطان سینه (BRCA) بیشتر وزن دهی شده اند، در حالی که داده های جهش در ملانوما (SKCM) غالب بوده اند. این یافته ها نشان می دهد که مدل سازی صریح عدم قطعیت مودالیته ها نه تنها از نظر تئوری موجه، بلکه از نظر تجربی نیز برای تحلیل پیش بینی بقا در داده های چندوجهی سودمند است.

کلیدواژه ها:

پیش بینی بقا ، داده های چندوجهی آمیکس ، عدم قطعیت ذاتی ، ادغام هوشمند ، TCGA