基于肿瘤来源相似的微环境模式，我们提出了 PathoTME，一个利用基因组引导的孪生表示学习框架，使用全切片图像进行泛癌肿瘤微环境亚型预测。

Jun, 2024

利用 Whole Slide Images 和基因组数据进行综合决策的生存分析面临着两个主要挑战：显著的异质性和两种模态之间的复杂相互作用。为解决这些问题，本文提出了一种偏向逐步编码的方法，通过多次迭代逐步减少跨模态差异并促进互补交互；此外，还提出了一种动态选择专家的多模态专家混合层来适应特定情况下的模型。广泛的实验结果表明我们的方法在各种数据集上表现出优越性能。

Jun, 2024

深度学习模型在基于图像的药物发现中被广泛用于从显微镜图像中提取单个细胞的特征向量。通过使用可视解释性技术（例如 Grad-CAM），我们发现了监督模型在提取形态特征时作弊的几种机制，即从图像中提取生物学无关的像素，如背景噪音。为了解决研究者期望和机器行为之间的错位，我们引入了 Grad-CAMO，一种用于监督特征提取器的新型单细胞可解释性评分。Grad-CAMO 衡量模型关注细胞本体与背景的比例，可对每个细胞或验证集进行评估，从而提供对个体特征向量的审计或指导深度学习架构的改进设计工具。重要的是，Grad-CAMO 可以无缝集成到现有的工作流程中，无需对数据集或模型进行修改，且与 2D 和 3D 细胞图像数据兼容。

Mar, 2024

本文提出了一种名为 Gene-MOE 的新型预训练模型，通过深度学习方法在 Pan-Cancer 数据库中分析基因组信息，以了解与癌症相关的因素，并有助于癌症的诊断和预后。实验结果表明，Gene-MOE 模型在癌症分类和生存分析中表现优于现有的模型，具有学习高维基因的丰富特征表示的能力。

Nov, 2023

准确筛选肿瘤类型对于有效的癌症检测和精确的治疗选择至关重要。本研究提出了一种名为进化优化的多样化集成学习（EODE）的框架，用于改进基因表达数据的癌症分类的集成学习。实验证明，EODE 相对于单独和传统聚合模型，在 35 个基因表达基准数据集上获得了显著提高的筛选准确性。此研究为使用基因表达生物标志物进行强大而广义的集成学习提供了有效的框架。

Apr, 2024

本研究探讨了在医学图像分割中应用机器学习加速分割的过程中，评价方法的选择以及如何处理体素间的依存关系问题。研究以多模态评价方法为基础，量化并优化不同分割方法的表现效果。

Feb, 2023

通过域适应网络和特征解耦，本文提出了一种建模肿瘤微环境对临床药物效应影响的方法，并在基准数据集上验证了其在预测临床药物响应和解析肿瘤微环境影响方面的优越性能。

Nov, 2023

通过多模态事件推理和多模态事件演化学习，本文提出一种能够使模型掌握事件演化机制、具有先进多模态事件推理能力的方法。

Apr, 2024

本研究提出了一种全面的评估医学图像分割模型的方法，名为 MIMO，它允许模型生成独立的阈值，然后与多指标评估和置信度估计相结合，对每个器官进行筛选和测量。实验结果表明，MIMO 为多指标和多器官医学图像评估提供了新的见解，并为模型的可用性和全面性提供了明确的度量。

Jun, 2023

提出了一个适用于不同领域的多层次性能评估框架 (MPEGO)，该框架从基于子特征的低层次评估到基于全局特征的高层次评估，可定制化以支持用户自定义特征，验证结果表明该框架能帮助实现对生成模型性能的灵活、可定制化和多层次的评价，适用于材料发现等多个领域。

Jan, 2023