RcaNet:一种预测肿瘤突变负荷的深度学习模型

近年来,肺癌的发病率和死亡率不断攀升,已成为对人类生命健康威胁最大的恶性肿瘤之一,而非小细胞肺癌(NSCLC)发病率占肺癌总发病率的80%以上。由于其复杂的诊断过程和昂贵的诊断成本,NSCLC的有效诊断和治疗已成为医生面临的巨大挑战。医学相关研究发现,肿瘤突变负荷(TMB)与NSCLC免疫治疗的疗效呈正相关,同时TMB值对靶向治疗和化疗的疗效具有一定的预测作用。基于上述发现,本研究提出一种深度学习模型(RcaNet),该模型以残差网络(ResNet)为骨干网络,在网络内增加多维度特征注意和多尺度信息融合,以增强网络对肺癌病理组织切片深层特征的关注与提取能力。通过将RcaNet与主流深度学习模型在TCGA公开数据集上进行实验,实验训练样本数为925954张。结果表明,RcaNet模型的性能平均曲线下面积(AUC)值为0.8830,比现有结果最好的CAIM模型高出6.8%,比ResNeSt模型高出4.2%,比ResNet模型高出5.3%。研究结果对非小细胞肺癌诊断治疗有较强的指导意义,具有较高的应用价值。