检索历史 清除

摘要近年来随着多模态方法的广泛应用使得不同数据源之间的信息共享变得更为便捷，从而极大地提升了生存期预测任务的处理效率与精度。多模态数据的运用能够揭示出数据间潜在的复杂关联和趋势，深化网络对生存期预测机制的理解，有效弥补单一数据源在数据分析方面的局限性,尤其是中期融合方法更有助于网络精准地捕捉多种模态数据之间的关联性。病理图像作为通过显微镜观察患者组织或细胞样本后所获取的数字或模拟图像，蕴含了丰富的肿瘤形态特征，为生存期预测任务提供了重要的数据资源。而组学数据是通过高通量技术测量和分析生物分子组分所得到的数据，它能够揭示生物的功能、特性以及与疾病和健康相关的信息。将病理图像与组学数据这两种不同模态的数据整合到生存期预测任务中，有助于神经网络更全面、多维地捕捉特征信息,进而提升预测模型的准确性。然而，当前基于多模态学习的胶质瘤生存期预测方法研究，大多过于注重各模态数据之间的融合方法，而忽略了对每种模态数据内在特征的深入分析与挖掘。针对这一现状，本文提出了一种新的基于多模态学习的胶质瘤生存期预测方法，该方法的主要研究工作聚焦于对多模态数据的特征提取与深度整合，旨在通过细致、深入的特征关注，提升胶质瘤生存期预测的精准度与可靠性，为胶质瘤的临床治疗与预后评估提供更为科学、有效的支持。本文主要研究工作内容如下:<br>　　(1)针对现有方法在融合多模态数据时病理图像全局信息捕捉不足的问题，本文提出了一种基于上下文感知的多模态胶质瘤生存期预测网络(MultimodalGliomaSurvivalPredictionNetworkBasedonContext-Awareness,CGSP)。该网络旨在通过深度挖掘病理图像的patch上下文关联特征，以增强网络对病理图像全局信息的感知能力，从而更精确地预测胶质瘤患者的生存期。该方法包括上下文特征提取模块和上下文感知融合模块。在上下文特征提取模块采用图卷积神经网络进一步对提取的病理图像特征进行处理，获取病理图像的上下文特征。在上下文感知融合模块使用中期引导融合实现了病理特征、上下文特征和组学特征的融合。最后，在生存期预测模块完成了生存期预测任务。CGSP在公共数据集TCGA-GBM和TCGA-LGG上进行验证，实验结果表明，在C-index指标上实现了显著提升，提高了9.17％。<br>　　(2)针对现有方法在揭示基因间复杂相互作用和共表达模式方面具有局限性的问题，本文提出了一种基于高相关基因引导的多模态胶质瘤生存期预测网络(MultimodalGliomaSurvivalPredictionNetworkGuidedbyHighlyCorrelatedGenes,WGSP)。该方法包括高相关基因特征分析模块和高相关基因引导融合模块。首先在高相关基因特征分析模块采用加权基因共表达网络分析计算基因间的相关系数，构建基因共表达网络。在高相关基因引导融合模块采用图注意力机制学习基因之间的特征表示和注意力权重，并利用获得的高相关基因特征来引导网络更好的了解基因间的相关信息。最后，在生存期预测模块完成了生存期预测任务。这种策略充分利用了不同模态数据间的互补性，使得模型能够更全面地理解胶质瘤的生物学特性和基因机制。WGSP在公共数据集TCGA-GBM和TCGA-LGG上进行验证，实验结果表明，相较于先前提出的CGSP方法，在C-index指标上取得了更好的结果，达到了0.904。<br>　　(3)针对提出的胶质瘤生存期预测算法，设计并开发一个胶质瘤生存期预测系统，该系统功能包括:患者管理、样本管理、数据预处理、生存期预测。