肿瘤分型不再只分大类：HHRM沿八级层级逐层判型，泛癌测试准确率0.7924
核心概要
肿瘤亚型本身有层级结构，从原发癌种一路细分到分子亚型，但多数分类模型把标签摊平处理，忽略了层级之间的生物学约束。HHRM把癌症标志基因网络与递归模块结合，在26种原发癌、405个亚型、最多八级的11,476例泛癌样本上逐层预测，局部输出模式下准确率为0.7924，高于所比较的层级分类模型。在1,608例乳腺癌独立数据上重新训练后，测试与验证准确率均超过0.86。
深度剖析
肿瘤亚型预测从一次性给出扁平标签，改为沿原发癌种到分子亚型的层级逐级判定，每一级的输出都进入下一级的判断。 此前的扁平分类器把亚型预测当作普通多标签问题，标签空间变深变宽后性能下降；已有的层级方法或按癌种分别建模，或层级只有两层。 在11,476例、26种原发癌、405个亚型、最多八级的泛癌队列上，HHRM在局部、全局、混合三种输出模式下四项指标均高于所比较的层级模型；局部模式下准确率为0.7924，最接近的HMCN_R为0.7896。
每一级模块先用癌症标志基因网络把基因表达嵌入特征，再用门控单元把上一级的预测结果过滤进当前级。 标志基因网络来自GO术语整理的十个癌症标志基因集，共6,448个基因，以及Reactome的75,869条分子互作。 模型由八个递归模块组成，每个模块包含标志基因图卷积、高速门和两层全连接输出单元；训练集为10,589例TRUE样本，经合成扩充至11,518例，另以887例FALSE样本作验证。
去掉标志基因图卷积或高速门都会让性能下降，说明这两个部件都在起作用。 替换方案包括自注意力、图注意力网络、卷积网络，以及用三层MLP替代高速门。 与只用紧邻上一级输出的版本相比，各替换变体准确率下降0.0029至0.078，宏F1下降0.0179至0.0532；其中图注意力网络变体准确率最高，为0.7892，卷积网络变体四项指标最低。
启示与展望
已展示的范围是Treehouse来源的泛癌队列，含26种原发癌、405个亚型、最多八级层级，以及METABRIC的1,608例乳腺癌样本、四个亚型、两级标签；后者需重新训练才达到0.9105的测试准确率与0.8659的验证准确率。
在887例与原始诊断完全不一致的困难验证样本上，HHRM对完整八级标签的准确率为0.3450，对原始层级的准确率为0.3788，各癌种间从0.0到1.0不等；不经重新训练直接用于METABRIC时准确率为0.3495，作者将其归因于微阵列与RNA测序的平台差异以及标签不完全对应。