Development of Multimodal Deep Learning Models for Survival Prediction in Patients with Gliomas

Abstract

Ο καρκίνος του εγκεφάλου παραμένει μία από τις πιο επιθετικές και θανατηφόρες μορφές κακοήθειας, με σημαντική ετερογένεια και ελλιπή πρόγνωση. Η αξιόπιστη πρόβλεψη της επι- βίωσης είναι κρίσιμη για τον σχεδιασμό εξατομικευμένης θεραπείας και τη βελτιστοποίηση της λήψης κλινικών αποφάσεων. Στην παρούσα εργασία προτείνεται ένα πλαίσιο βασισμένο στη βαθιά μάθηση, το οποίο ενσωματώνει ιστοπαθολογικές εικόνες και RNA sequencing δεδομένα, με στόχο την πρόβλεψη επιβίωσης σε ασθενείς με γλοιώματα διαφόρων βαθμών. Το σύνολο δεδομένων αντλήθηκε από τον Καρκινικό Γονιδιωματικό ΄Ατλαντα (TCGA) και περιλάμβανε περιπτώσεις γλοιοβλαστώματος και γλοιώματος χαμηλότερου βαθμού. Αφού εφαρμόστηκαν τε- χνικές προεπεξεργασίας, χρησιμοποιήθηκε το μοντέλο DeepSurv για την πρόβλεψη του χρόνου επιβίωσης. Το συνδυασμένο μοντέλο ενσωματώνει και τα δύο είδη δεδομένων και επέδειξε ανώτερη απόδοση από τα μονοτροπικά μοντέλα, όπως φάνηκε μέσω του δείκτη συμφωνίας (Cindex), επιτυγχάνοντας τιμή 0.91, έναντι 0.80 (μόνο εικόνες) και 0.89 (μόνο γονιδιακά δε- δομένα). Επιπλέον, χρησιμοποιήθηκε η μέθοδος SurvLIME για την ερμηνεία των προβλέψεων, αναδεικνύοντας σημαντικά γονίδια και μονοπάτια που σχετίζονται με την πρόγνωση. Τα αποτε- λέσματα δείχνουν ότι ο συνδυασμός ετερογενών βιοϊατρικών δεδομένων με επεξηγήσιμα μοντέλα βαθιάς μάθησης ενισχύει την πρόβλεψη επιβίωσης και την υποστήριξη κλινικών αποφάσεων για ασθενείς με κακοήθεις εγκεφαλικούς όγκους.