学习基因表达以预测癌症临床结果
本文利用因果发现算法和大型语言模型通过对 705 名乳腺癌患者的基因组信息的剖析，从多个角度研究患者存活状况的因素，表明因果发现算法和语言模型的可靠性，有助于深入挖掘临床应用上的可靠因果关系。
May, 2023
本文通过应用监督对比学习将肿瘤基因表达和临床数据转换为低维特征空间，并使用学习的特征训练 Cox 模型来预测肿瘤预后，提高了肿瘤预后的准确性。
Jun, 2023
通过利用基因组规模的高通量技术，包括下一代测序（NGS），精准医学旨在实现个性化预后和治疗。然而，转化 NGS 数据面临几个挑战，其中之一是一个有效的模型。本研究开发了一种 BMDL 模型，通过分层负二项分解，得出基于层次的针对过离散化计数数据的域相关隐含表示，以实现对癌症亚型的准确识别。该模型表现出具有前景的多域学习效果。
Oct, 2018
本文提出了一种利用自编码器和可解释的基于人工智能的评分来进行特征选择的算法，可用于诊断、预后和精准医疗。该算法在慢性淋巴细胞白血病数据集上应用，能够确定一组有意义的基因，供进一步医学研究参考。
Mar, 2023
基于深度学习的生存预测模型中的两种基因选择策略，一种利用稀疏性诱导方法，另一种利用重要性基因选择来识别相关基因，通过广泛的实验验证表明，该策略不仅可以识别具有高预测能力的基因特征用于生存结局，还可以简化低成本基因组筛查过程，为个体化医学和靶向癌症治疗的推进提供了一个可伸缩且有效的工具。
Mar, 2024
本文提出了一个框架，将 AI 算法和数学建模相结合，以提供全面的生理条件视图，并展示了整体有机体概率模拟和分子数据驱动的临床模型集成的潜力，这有助于解决将多尺度计算模型与 AI 相结合的重要技术挑战，从而实现了医疗保健的数字孪生兄弟的目标。
Sep, 2020
本研究介绍了一种创新方法，利用先进的图像分析技术提高胃癌和结肠腺癌患者的生存预测模型；通过提取全切片图像的细致特征并构建基于患者的图，利用 4 层图卷积神经网络进行全面分析和预测，结果表明该方法高度准确地预测患者的生存结果，对医学和人工智能社区具有重大影响。
Apr, 2024
通过使用基于递归神经网络的预测模型，结合患者特征分析，构建出可解释的癌症患者存活时间分布预测模型，实验结果表明其相比于其他基线模型在预测性能上有明显优势。
Jan, 2018