Comparison of deep learning architectures for colon cancer mutation detection
Comparaison des architectures d'apprentissage profond pour la détection des mutations du cancer du côlon
Résumé
Le cancer colorectal est responsable de la mort de centaines de milliers de personnes dans le monde chaque année.
Les caractéristiques histopathologiques de la tumeur sont généralement identifiées à partir de l'analyse des tissus prélevés lors d'une biopsie, ce qui permet de choisir le traitement adéquat.
Avec l'avènement de la pathologie numérique, les lames de tissu sont de plus en plus disponibles sous forme d'images de lames histopathologiques (WSI), ce qui permet leur analyse par des algorithmes d'intelligence artificielle.
En outre, le séquençage génétique de la tumeur peut également être effectué pour identifier des mutations spécifiques (e.g. KRAS) et leurs sous-types (e.g. G12C).
Bien que le séquençage prenne du temps et soit coûteux, il fournit des informations essentielles sur le type spécifique de cancer.
Dans cet article, nous ciblons l'identification de gènes et de variants clés en utilisant uniquement des images histopathologiques à l'aide de réseaux de neurones profonds.
La prédiction d'informations génétiques uniquement à partir d'images histopathologiques pourrait être facilement utilisée en routine et permettrait d'économiser le temps et le coût du séquençage des tumeurs.
Les expériences réalisées sur 45 WSI de cancer colorectal provenant de 45 patients ont révélé que les modèles profonds peuvent classer correctement 90% des patients présentant la mutation G12C du gène KRAS.
En outre, nous avons également utilisé les méthodes CAM et LIME pour explorer l'interprétabilité des résultats en mettant en évidence les parties des images utilisées par les modèles pour prédire la présence de mutations spécifiques.
Origine : Fichiers produits par l'(les) auteur(s)