33265

پيش‌بيني جهش ژنتيكي و مسيرهاي بيولوژيكي بر اساس تحليل تصاوير هيستوپاتولوژي با استفاده از الگوريتم‌هاي يادگيري عميق

كارشناسي ارشد

مهندسي صنايع - گرايش سيستم هاي اطلاعاتي

1400

1403/07/03

دكتر وحيد خطيبي

-

مهندسي صنايع

در حوزه پزشكي، پيشرفت‌هاي جديدي در تشخيص و درمان بيماري سرطان سينه حاصل شده است كه از فناوري¬هاي نوين تصويربرداري و دستاوردهاي ژنوميك بهره مي‌برند. در اين ميان، تصاوير هيستوپاتولوژي نقش كليدي در تشخيص دقيق بيماري سرطان سينه ايفا مي‌كنند. با اين حال، روش‌هاي سنتي تجزيه و تحليل دستي اين تصاوير، هم زمان‌بر هستند و هم داراي اختلافات فردي بين متخصصان. به همين دليل، استفاده از روش‌هاي يادگيري عميق، امكان بهبود چشمگير در تحليل تصاوير هيستوپاتولوژيكي را فراهم آورده، اين امكان را مي‌دهد كه با تركيب اين تصاوير با داده‌هاي ژنوميك، نشانگرهاي بيولوژيكي مهمي را شناسايي كنيم. اين پيشرفت‌ها مي‌توانند به افزايش دقت تشخيص و ارائه درمان‌هاي شخصي‌سازي شده كمك كنند. بر اين اساس، در اين پايان نامه به ارائه يك رويكرد جديد براي پيش‌بيني جهش‌هاي ژنتيكي و مسيرهاي بيولوژيكي بر اساس تحليل تصاوير هيستوپاتولوژي سرطان سينه با استفاده از الگوريتم‌هاي يادگيري عميق پرداخته شده است. در اين پژوهش، يك چهارچوب يادگيري عميق براي پيش‌بيني جهش‌هاي ژنتيكي و فعاليت‌هاي مسير بيولوژيكي به شكل مستقيم از تصاوير تمام اسلايد (WSI) مجموعه داده TCGA-BRCA ارايه شده است. همچنين براي استخراج ويژگي‌هاي تصاوير از معماري ResNet و InceptionV3 استفاده شده، از مكانيسم‌هاي توجه و لايه¬هاي كاملا متصل براي پيش بيني جهش‌هاي ژنتيكي بر اساس تحليل تصاوير هيستوپاتولوژي استفاده شده است. در اين پژوهش، از چهار مدل يادگيري عميق ResNet-Attention،Inception-Attention، ResNet-Dense و Inception-Dense استفاده شده، نتايج حاصل از آنها با يكديگر مقايسه شده¬اند. نتايج حاصل نشان مي‌دهد كه مدل Inception-Attention عملكرد بهتري از منظر شاخص¬هاي دقت و AUC در مقايسه با مدل‌هاي ديگر از خود نشان مي‌دهد. علاوه بر اين، از روش‌هاي پردازش موازي و پردازش دسته‌اي براي تسريع قابل توجه سرعت پردازش داده‌ها در اين پژوهش استفاده شده است. اين تحقيق، قابليت‌هاي مدل‌هاي يادگيري عميق را در پيش‌بيني جهش‌هاي ژنتيكي و مسيرهاي بيولوژيكي از طريق تصاوير كل اسلايد (WSI) به نمايش گذاشته و امكان پيشبرد استراتژي‌هاي درماني متناسب با شخص را براي بيماران مبتلا به سرطان سينه فراهم مي‌آورد.

1404/01/23

Prediction of Genetic Mutations and Biological Pathways Based on Analysis of Histopathology Images Using Deep Learning Algorithms

9/24/2025 12:00:00 AM

In the field of medicine, new advances have been made in the diagnosis and treatment of breast cancer, which benefit from new imaging technologies and genomic achievements. Among them, histopathology images play a key role in the accurate diagnosis of breast cancer. However, traditional methods of manual analysis of these images are both time-consuming and have individual differences between experts. For this reason, the use of deep learning methods has enabled significant improvements in the analysis of histopathology images, allowing us to identify important biological markers by combining these images with genomic data. These advances can help increase the accuracy of diagnosis and provide personalized treatments. Accordingly, this thesis presents a new approach to predict genetic mutations and biological pathways based on the analysis of breast cancer histopathology images using deep learning algorithms. In this study, a deep learning framework is presented to predict genetic mutations and biological pathway activities directly from whole slide images (WSI) of TCGA-BRCA dataset. Also, the ResNet and InceptionV3 architectures are used to extract image features, and attention mechanisms and fully connected layers are used to predict genetic mutations based on the analysis of histopathology images. In this study, four deep learning models, ResNet-Attention, Inception-Attention, ResNet-Dense, and Inception-Dense, are used, and their results are compared with each other. The results show that the Inception-Attention model performs better in terms of accuracy and AUC indices compared to other models. In addition, parallel processing and batch processing methods are used to significantly accelerate the data processing speed in this study. This research demonstrates the capabilities of deep learning models in predicting genetic mutations and biological pathways through whole slide images (WSI), enabling the advancement of personalized treatment strategies for breast cancer patients.

ژنتيك , پيش‌بيني جهش ژن , تحليل تصاوير هيستوپاتولوژي , بيماري سرطان سينه , يادگيري عميق

Genetic , Gene Mutation Prediction , Histopathology Image Analysis , Breast Cancer , Deep Learning

Faezeh Bakhshizadeh

Dr Vahid Khatibi