多模态学习预测胶质瘤基因型
这项研究首次尝试使用基于 GNN 的时空模型 PerfGAT 来建模 4D pMRI,通过整合空间信息和时间动力学预测脑胶质瘤患者的异柠檬酸脱氢酶(IDH)基因突变状态,实验结果表明该方法优于其他现有方法,有效地为患者特征建模。
Jun, 2024
G-HANet 是一种新颖的基于基因组知识提炼的超级关注网络,通过对 WSI 图像进行基因组数据重构,实现了来自组织病理学和基因组学角度的病人超级关注建模,以改善癌症预后。
Mar, 2024
通过分解组织学图像和基因组学的特征子空间,反映不同的肿瘤和微环境特征,我们提出了一种生物解释性和稳健的多模态学习框架,以高效地整合组织学图像和基因组学,从而解决了肿瘤生态系统中肿瘤和微环境共同增加恶性的内在复杂性问题。
Jun, 2024
该研究使用多个特征提取器和聚合器,通过对脑瘤组织病理学进行多实例学习实验,为精确诊断和个体化治疗策略提供了更新的性能基准,包括在印度人群中的新数据集 (IPD-Brain) 。利用经过组织病理学数据预训练的 ResNet-50 进行特征提取,并结合 DTFD 特征聚合器,该方法在三种脑胶质瘤亚型分类上分别在 IPD-Brain 和 TCGA-Brain 数据集上取得了 88.08 和 95.81 的 AUC 值。此外,该研究通过 H&E 染色全切片图像在 IPD-Brain 数据集上建立了基于分级和检测 IHC 分子生物标记物(IDH1(突变 R132H),TP53,ATRX,Ki-67)的新基准,并突出了模型决策过程与病理学家诊断推理之间的显著相关性,强调了其模拟专业诊断程序的能力。
Feb, 2024
本文提出了一种新颖的多模态方法,BTDNet,利用多参数 MRI 扫描来预测 MGMT 启动子甲基化状态,该方法在 RSNA-ASNR-MICCAI BraTS 2021 挑战中表现出色,为增强脑肿瘤诊断和治疗提供了有希望的途径。
Oct, 2023
基于多模态融合模型,结合病理图像和基因组数据,本文提出一种适用于癌症生存分析的病理基因异质图模型(PGHG)。通过生物学先验知识,该模型实现了特征提取、生存预测和可解释性展示等功能,并在多个癌症数据集上证明了其性能优越性。
Apr, 2024
本文提出了一种新的不完全多模态数据整合方法,利用变压器和生成对抗网络,利用辅助模态数据来提高单模态模型的性能,并将其应用于预测阿尔茨海默病的认知退化和疾病结果。
May, 2023
本文提出了一种基于跨模态融合的注意力适配器细调基础模型来完成多模态 MRI 脑图像下胶质瘤分割任务的方法,该方法优于现有技术方法,具有 88.38%的 Dice 系数和 10.64 的 Hausdorff 距离,从而在分割胶质瘤区域方面呈现出 4%的增长,有助于胶质瘤的治疗。
Jul, 2023
通过 MRI 多模态学习和跨模态指导,提出了一种用于 MRI 脑肿瘤分级的新方法,以准确识别肿瘤类型和等级,并选择精确的治疗计划。
Jan, 2024