通过基于注意力的Transformer和Squeeze-Excitation框架，利用多模态生物数据实现可解释的结肠癌分期预测

《Current Bioinformatics》：Explainable Colon Cancer Stage Prediction with Multimodal Biodata through the Attention-based Transformer and Squeeze-Excitation Framework

本研究针对肿瘤异质性导致的癌症分期预测难题，提出ESEMA模型整合基因组数据和病理图像，显著提升AUC至0.9985，并验证基因组特征的关键作用。

　　

摘要

引言：肿瘤的异质性给癌症分期的准确预测带来了重大挑战，这需要经过高度培训的医疗专业人员的专业知识来进行诊断。在过去的十年中，深度学习在医学诊断中的应用，尤其是在癌症分期预测方面，受到了这些算法“黑箱”性质的阻碍，使得其决策过程难以解释。

方法：本研究旨在通过利用功能基因组数据集（包括mRNA、miRNA和DNA甲基化）以及染色组织病理图像中的互补属性来缓解这些问题。我们提出了扩展的挤压-激励多头注意力（ESEMA）模型，该模型旨在整合这些不同的数据模式。该模型能够高效地整合和增强多模态特征，捕捉到生物学上相关的模式，从而提高癌症分期预测的准确性和可解释性。

结果：我们的研究发现，这种可解释的分类器利用了多模态数据中的关键特征，实现了0.9985的曲线下面积（AUC），显著超过了基线AUC值：图像数据的AUC为0.8676，基因组数据的AUC为0.995。

结论：此外，提取的基因组特征对于癌症分期预测最为关键，表明这些识别出的基因是进一步临床研究的有希望的目标。