基于病理组织切片的肺腺癌肿瘤突变负荷预测模型

肺癌是目前死亡率最高的恶性癌症之一,其中非小细胞肺癌(NSCLC)致死率极高。最近医学研究发现,肿瘤突变负荷(TMB)对于癌症的免疫治疗和化疗的疗效具有较好的预测作用,但传统使用基因测序计算TMB的方法存在检测成本高、周期长、样本依赖度高等缺点。针对上述问题,本研究提出一种混合卷积神经网络和自注意力机制的深度学习模型(FCA-Former)用于预测TMB。该模型以CoAtNet为骨干网络,通过在网络中结合坐标注意力以及融合深度可分离卷积的方式,提高模型的运算速度以及对病理组织切片图像的全局特征提取能力。实验数据采用TCGA数据库中肺腺癌数字病理切片图像数据集,其中高TMB水平的样本271张,低TMB水平的样本66张。实验结果表明,所提方法达到的最高平均曲线下面积(AUC)为98.1%,比现有最好方法RcaNetr提高9.8%。此项研究结果对于NSCLC的预后治疗效果具有较强的指导意义。