Un modelo basado en segmentación de interacción jerárquica de características con atención para la identificación del estado de mutaciones genéticas en cáncer colorrectal.

La identificación precisa del estado de mutación del gen Kirsten Rat Sarcoma (KRAS) es crucial tanto para el análisis cualitativo del cáncer colorrectal como para la formulación de regímenes terapéuticos personalizados. En este artículo, proponemos un Modelo de Atención Interactiva Hierárquica Basado en Segmentación (SHIAM) que combina el aprendizaje multitarea con la integración jerárquica de características, con el objetivo de lograr una predicción precisa del estado de mutación del gen KRAS. Específicamente, integramos tareas de segmentación y clasificación, compartiendo representaciones de características entre ellas. Para enfocarse completamente en las áreas lesionales a diferentes niveles y sus posibles asociaciones, diseñamos un bloque de atención sinérgico multi-nivel que permite la fusión adaptable de las características de lesiones de distintas granularidades con sus asociaciones contextuales.

Para superar las limitaciones de los métodos convencionales en el modelado de relaciones a largo alcance, diseñamos un módulo de interacción colaborativa global, una versión mejorada eficiente del Transformer para percepción a largo alcance. Como componente central del módulo, el bloque de percepción a largo alcance proporciona soporte robusto para la minería de la integridad de las características con su excelente capacidad perceptiva.

Además, introducimos una estrategia híbrida de ingeniería de características que integra características manuales codificadas como entropía estadística con representaciones profundas aprendidas automáticamente, estableciendo así un espacio de características complementario. Nuestro SHIAM ha sido entrenado y verificado rigurosamente en el conjunto de datos de cáncer colorrectal proporcionado por el Shanxi Cancer Hospital.

Los resultados muestran que logra una precisión del 89,42% y un valor AUC del 95,89% en la predicción del estado de mutación del gen KRAS, con rendimiento integral superior a todas las pruebas no invasivas actuales. En la práctica clínica, nuestro modelo posee la capacidad de permitir el diagnóstico asistido por computadora, ayudando eficazmente a los médicos en la formulación de planes terapéuticos personalizados adecuados para los pacientes.