Farklı veri tiplerini birleştiren derin öğrenme ile seröz yumurtalık kanserinde sağkalım tahmini

Yüksek mortalite oranları ve tedaviye dirençli olması ile bilinen yumurtalık kanserinde, kişiselleştirilmiş tedaviler için hayatta kalma tahminleri önemlidir. Bu araştırmada, histopatoloji görüntüleri ile klinik ve genetik verileri (mutasyonlar, kopya sayısı varyasyonları, mRNA sekanslaması, DNA metilasyonu ve protein ekspresyonu) birleştirerek seröz yumurtalık kanserinde hayatta kalma süresini tahmin eden yeni bir derin öğrenme modeli olan OViTANet geliştirilmiştir. Model oluşturma ve test etmede Amerika'nın kanser arşivi'nden alınan veriler, model içindeki görüntü özellik çıkarıcılarının etkinliğini değerlendirmek üzere Başkent Üniversitesi Hastanesi'nden toplanan doğrulama seti kullanılmıştır. OViTANet'in performansı, her genetik verinin her hastada bulunmaması sebebiyle değişen örneklem sayılarını göz önüne alarak, farklı veri kategorilerinde değerlendirilmiştir. Literatürdeki başka bir çoklu-modalite füzyonu yapan derin öğrenme temelli sağkalım modeli ile karşılaştırıldığında, OViTANet, genel hayatta kalma tahminlerinde konkordans indeksi 0.5991 ± 0.0369 ile 0.6902 ± 0.0499 arasında değişmek üzere tüm veri kategorilerinde üstün performans göstermiştir. Modelin hastalıksız hayatta kalma tahmini performansı daha düşük olsa da –uyum indeksleri 0.5385 ± 0.052 ile 0.5989 ± 0.0284 arasında değişmektedir– karşılaştırmalı modele göre çoğu veri kategorisinde daha iyi performansa sahip olduğu görülmüştür. Bu çalışma, sadece hayatta kalma tahminini farklı veri tiplerinin birleştirerek geliştirmekle kalmayıp, aynı zamanda seröz yumurtalık kanserinin genetik özelliklerini anlama konusunda da katkıda bulunmuş, böylece kişiselleştirilmiş tedaviler geliştirilmesine yardımcı olmayı ve hasta sonuçlarını iyileştirmeyi hedeflemiştir.