PiDeeL: metabolic pathway-informed deep learning model for survival analysis and pathological classification of gliomas

Cerrahi operasyon sırasında tümör özelliklerinin anlık olarak değerlendirilmesi önemlidir ve cerraha işlem sırasında geri bildirim mekanizması kurma potansiyeline sahiptir. Bu tür geri bildirimlerin mevcut olması durumunda, cerrahlar tümörün rezeksiyonu konusunda daha esnek veya daha sıkı olmaya karar verebilirler. Metabolomik tabanlı tümör patolojisi tahmini yapmak için yöntemler olsa da, model karmaşıklığı ve tahmin performansı küçük veri seti boyutlarıyla sınırlıdır. Ayrıca tümör dokusuna sağlanan geri bildirimlerin aktardığı bilgiler hem içerik hem de doğruluk açısından geliştirilebilir. Bu çalışmada, metabolit konsantrasyonlarına dayalı olarak hayatta kalma analizi ve patoloji değerlendirmesi gerçekleştirmek için metabolik yolak bilgili bir derin öğrenme modeli (PiDeeL) öneriyoruz. Yolak bilgisinin model mimarisine dahil edilmesinin parametre karmaşıklığını önemli ölçüde azalttığını ve daha iyi hayatta kalma analizi ve patolojik sınıflandırma performansı sağladığını gösteriyoruz. Bu tasarım kararlarıyla, PiDeeL'in, AUROC açısından tümör patolojisi tahmin performansını %3,38 ve AUPR açısından %4,06 oranında geliştirdiğini gösteriyoruz. Benzer şekilde, zamana bağlı uyumluluk indeksi (c-endeksi) açısından PiDeeL'in, en son teknolojiyle karşılaştırıldığında daha iyi sağkalım analizi performansı (%4,3 oranında iyileşme) elde ettiğini gösteriyoruz. Ayrıca, PiDeeL'in yolaklara özgü nöronlarının yanı sıra girdi metabolit özellikleri üzerinde gerçekleştirilen önem analizlerinin tümör metabolizmasına ilişkin bilgiler sağladığını da gösteriyoruz. Bu modelin ameliyathanede kullanılmasının, cerrahların ameliyat planını anında ayarlamalarına yardımcı olacağını ve o anki cerrahi prosedürlere uygun daha iyi prognoz tahminleri elde edilmesini sağlayacağını öngörüyoruz.