基于残差网络的肺癌肿瘤突变负荷多分类预测模型

经医学研究发现，肿瘤突变负荷（TMB）与非小细胞肺癌（NSCLC）免疫治疗的疗效呈正相关，并且TMB值对靶向治疗和化疗的疗效也有一定的预测作用。然而，计算TMB值需要借助全外显子组测序（WES）技术，成本较高。对此，本文利用临床常用的数字病理组织切片图像，研究TMB与切片图像之间的关联关系，并据此预测患者的TMB水平。本文提出了一种基于残差坐标注意力（RCA）结构并融合多尺度注意力引导（MSAG）模块的深度学习模型（RCA-MSAG）。该模型以50层残差网络（ResNet-50）为基准模型，并将坐标注意力(CA)融入到瓶颈（bottleneck）模块，用来捕获方向感知和位置敏感信息，从而使模型能够更准确定位和识别感兴趣的位置。然后，通过在网络内添加MSAG模块，使模型可以提取肺癌病理组织切片的深层特征以及通道之间的交互信息。本文实验数据集采用癌症基因组图谱（TCGA）公开数据集，数据集由200张肺腺癌病理组织切片组成，其中高TMB值的数据80张，中TMB值的数据77张，低TMB值的数据43张。实验结果表明，所提模型的准确率、精确率、召回率和F1分数分别为96.2%、96.4%、96.2...