Sep, 2020

从组织病理学图像预测分子表型：乳腺癌中一项转录组范围的表达形态分析

PDF
TL;DR该研究使用基因特定模型和卷积神经网络从组织形态结构预测肿瘤基因表达及其空间分布，并验证了该方法在乳腺癌中的可行性，为描述肿瘤内异质性提供了可扩展性的方法。
molecular phenotypinghistopathologybreast cancergene expressionconvolutional neural networks
发现论文，激发创造
  • hist2RNA：由乳腺癌组织病理学图像预测基因表达的有效深度学习架构

    利用数字组织病理学图像和深度学习，通过一个新的计算方法 (hist2RNA) 来预测含有 138 个基因的新型分子表型检测结果，包括腺激素受体阳性的乳腺癌亚型，并能为患者的术后治疗提供良好预测。

    Apr, 2023

  • 基于深度学习的乳腺癌肿瘤和免疫表型的组织病理预测

    通过应用多实例学习算法和不同的特征提取方法，该研究对乳腺癌的初级肿瘤进行多重描述，以测量肿瘤和免疫表型，为开发计算病理学标志物提供了潜力。

    Apr, 2024

  • Pathomic Fusion：融合组织学和基因组特征的癌症诊断和预后一体化框架

    本文提出了一种解释性的、端到端的多模态融合策略 —— Pathomic Fusion，它基于组织学图像和基因组学（突变、CNV、RNA-Seq）特征，模型化跨模式的特征交互，并通过基于门控的注意机制控制每个表示的表现力，以提高生存结果预测的准确性，从而有助于其他医学问题的解决。

    Dec, 2019

  • 多组学预测深度学习高内容细胞成像

    使用 Image2Omics 深度学习方法，预测细胞群体内来自高含量显微图像的多重荧光染色数据；结果表明，细胞成像可能是多重组学测量的可替代方法。

    Jun, 2023

  • 深度学习时代的药物发现形态学特征分析

    形态学分析是表型药物发现中的一项有价值的工具。最近的发展使得高通量自动成像得以捕捉单细胞水平上细胞或生物体对干扰的广泛形态学特征。机器学习和深度学习在图像分析方面的显著进展有助于对大规模高内容图像进行高通量分析，从而推动了复合物的作用机制研究、药物重用、对细胞形态动力学的表征以及对新型治疗药物的发展。本综述全面概述最近形态学分析领域的进展，总结形态学分析流程、介绍多种基于特征工程和深度学习的分析策略，并引入公开可获取的基准数据集。我们特别强调深度学习在此流程中的应用，包括细胞分割、图像表征学习和多模态学习。此外，我们还阐述形态学分析在表型药物发现中的应用，并强调了该领域面临的挑战和机遇。

    Dec, 2023

  • 癌症生存预测的多模态原型

    整合多模态存活方法、千亿像素组织学全幻灯片图像和转录组学，通过凝聚形态学原型和生物途径原型对 WSI 和转录组简化，再利用聚合网络（Transformer 或最优运输交叉对齐）处理得到的多模态令牌，能在较小且固定的令牌数量下实现高性能预测肿瘤患者预后、分层，同时实现较少的计算量并具备新的可解释性分析。

    Jun, 2024

  • 自监督视觉 Transformer 在组织病理学中学习视觉概念

    本文通过训练多种自监督模型，发现采用基于 DINO 知识蒸馏的 Vision Transformers 模型能够实现对组织形态学特征进行有效解释，在多个弱监督和补丁级任务上进行了验证。

    Mar, 2022

  • 建模生物通路与组织学之间的密集多模态交互以进行生存预测

    本研究提出了一种基于生物通路令牌和组织学图像令牌的转换器模型，结合了 WSI 和大量转录组学数据，具有作为细胞功能解释单位的前瞻性，并在肿瘤患者生存预测方面取得了最佳效果。

    Apr, 2023

  • 通过双模式对比学习从 H&E 组织学图像中空间预测基因表达

    该研究提出一种生物模态嵌入框架 Bi-modaL Embedding for Expression Prediction (BLEEP)，可以生成整张组织学图像中的基因表达文件，以此代替传统的时间与金钱代价高昂的基因表达分析方式进行医学诊断和研究。

    Jun, 2023

  • 使用深度学习技术预测肺组织活检图像的 EGFR 突变

    本文通过深度学习图像分析技术，使用自定义深度学习管道在肺癌组织中识别 EGFR 突变的形态学相关性，同时检测肿瘤和组织学亚型，证明了这种方法的有效性，并指出了使用特征提取器层在目标数据集上进行微调时没有特殊优势，选择高细胞密度区域并不总是有帮助。

    Aug, 2022