Nat. Biomed. Eng. | 利用RNA测序数据生成肿瘤的合成图像

今天为大家介绍的是来自Olivier Gevaert团队的一篇论文。通过合成数据训练机器学习模型可以缓解数据集成本高昂且具有挑战性时数据稀缺的问题。作者在这里展示了如何使用级联扩散模型从人类肿瘤的RNA测序数据的潜在表示中合成出现实感强的全幅图像切片。

目前已经有多篇工作评估了基因表达和组织学的关系，显示出组织学中的形态特征与基因表达的变化有关。受到这些研究以及文本到图像模型崛起的启发，作者探索了癌症组织及其基因表达之间的关系，面对的问题是一个RNA到图像合成问题，目标是使用合成的癌症图像来预训练深度学习（DL）模型和补全缺失的数据模态。作者介绍了RNA-CDM，一个单级联扩散基模型，能够在不指定组织标签的情况下，通过对基于beta-VAE获得的基因表达轮廓的潜在表示进行条件化，合成不同癌症组织的常规（H&E）染色组织图像切片（图1）。

生成逼真的切片图片

鉴于RNA测序数据的高维性，直接用它来条件化扩散过程是不可能的。因此作者训练了一个beta-VAE将来自12种不同癌症组织的RNA测序数据投影到一个低维的潜在空间（表1）。作者使用均匀流形近似和投影（UMAP）算法可视化了重构的RNA测序数据，显示出每种癌症组织的不同聚类（图2）。接下来，作者使用来自五种癌症组织的多模态数据训练了RNA-CDM模型：肺腺癌（LUAD）、肾乳头状细胞癌（KIRP）、宫颈鳞状细胞癌（CESC）、结肠腺癌（COAD）和胶质母细胞瘤（GBM）。作者的RNA-CDM模型能够准确地从五种癌症类型生成图像切片，无需任何组织标签信息，仅依赖于RNA测序数据的潜在表示（图2）。在生成的图像切片中可以观察到各种组织形态，从更加均匀且细胞丰富的GBM组织到较为稀疏的LUAD组织。

图像检测

接下来作者使用HoverNet，这是一个最先进的细胞分割和分类模型，对真实和合成的图像切片进行了不同细胞类型的检测。作者发现在五种癌症组织中，真实和合成图像切片内的细胞分布相似（图3a），并且跨细胞类型检测到的细胞的平均数量对于大多数癌症和细胞类型来说也是相似的（表2）。即使HoverNet只在真实数据上训练，合成图像切片中的细胞类型也被正确检测，显示出RNA-CDM能够产生具有现实细胞形态的样本（图3b）。作者进行了额外的测试，以确定合成图像切片中的基因表达轮廓特征是否保持一致。作者比较了解卷积RNA测序数据中上皮细胞和造血细胞的低和高比例，以及HoverNet在合成图像切片中检测到的肿瘤细胞和淋巴细胞的比例。在所有癌症类型中，关于肿瘤细胞的一致模式浮现了：使用来源于展示更高比例上皮细胞的患者的RNA测序数据生成的合成图像切片显示出更高的肿瘤细胞存在比例。同样地，使用来源于展示更高比例造血细胞的患者的RNA测序数据生成的合成图像切片显示出更高的淋巴细胞存在。

编译 | 曾全晨

审稿 | 王建民

参考资料

Carrillo-Perez, F., Pizurica, M., Zheng, Y., Nandi, T. N., Madduri, R., Shen, J., & Gevaert, O. (2024). Generation of synthetic whole-slide image tiles of tumours from RNA-sequencing data via cascaded diffusion models. Nature Biomedical Engineering, 1-13.