Mar, 2022

使用无监督聚类优化深度学习模型，预测基因突变

PDF
TL;DR本研究提出了一种基于非监督聚类的多实例学习方法，将其应用于三种癌症（CRC、LUAD 和 HNSCC）的 WSI 深度学习模型开发，使其能够更好地预测基因突变。结果显示，该方法可以识别预测性图像块，排除缺乏预测信息的图像块，并改善所有三种癌症类型中基因突变的预测效果。此外，我们的方法也能更好地识别预测基因突变的空间区域，证明 WSI 中的肿瘤区域不一定是最好的预测区域。
deep learningdigital pathology imagesunsupervised clusteringgene mutationstumor micro-environment
发现论文，激发创造
  • 无监督互相转换器学习用于多千兆像素全切片图像分类

    提出一种基于相互 Transformer 学习的全无监督 WSI 分类算法，并在公开数据集上进行了广泛实验，证明了该方法在 WSI 分类和癌症亚型分类方面的优越性能。

    May, 2023

  • 一种面向计算病理学的通用自监督模型

    使用超过 100 万个组织样本预训练的自我监督模型 UNI，在计算病理学中取得了巨大的突破，具有分辨率无关的组织分类、少样本类别原型的幻灯片分类以及疾病亚型分类等新的建模能力，为解决解剖病理学中各种具有挑战性的任务和临床工作流提供了数据高效、泛化和迁移能力的人工智能模型。

    Aug, 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

  • 上下文感知自监督学习整张切片图像

    本文提出了一种通过将全切片图像 (WHIs) 表示为图来进行肿瘤诊断的方法，使用图卷积网络 (GCN) 捕获 WSI 中的上下文依赖关系，并使用自监督学习获取无标签数据的训练增强。这种方法利用节点表示 WSI 的 patch，是一种包含上下文信息的模型方案，相比于现有方法或基于多实例学习（MIL）的方案实现了性能的提升。

    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

  • MGCT: 基于综合组织病理学 - 基因组特征的生存结局预测的互相引导的跨模态变换器

    基于深度学习的计算病理学领域的研究表明，利用全切片图像（WSIs）客观预测癌症患者预后的效果显著。然而，目前大多数预后方法局限于组织病理学或基因组学，不可避免地降低了其准确预测患者预后的潜力。为了解决这些问题，我们提出了一种弱监督、基于注意机制的多模态学习框架 —— 互相引导的跨模态转换器（MGCT），可以利用组织学特征和基因组特征来建模肿瘤微环境内的基因型 - 表型相互作用。通过使用来自癌症基因组图谱（TCGA）的五种不同癌症类型的近 3600 个 Gigapixel WSIs 进行实验，广泛的实验结果一致表明 MGCT 优于现有的最先进方法（SOTA）。

    Nov, 2023

  • 通过生物医学 - 语言知识增强的多标签分类预测基因突变从全切片图像中

    从全幻灯图像中预测基因突变对于癌症诊断至关重要。本研究设计了一种生物知识增强的 PathGenomic 多标签 Transformer，通过构建基因优先级和基因突变预测模块，提高了预测性能，实验证明该方法优于现有最先进技术。

    Jun, 2024

  • 全切片影像上数据有效和弱监督计算病理学

    CLAM 是一种易于使用、高吞吐量和可解释的基于深度学习的弱监督学习方法，它可以在只需要幻灯片级别标签的情况下处理大规模组织切片图像，并且可以用于多种不同的计算病理学任务。

    Apr, 2020

  • 利用图神经网络进行组织病理学图像的表示学习

    本文介绍了一种基于图神经网络和 DenseNet 的方法，使用颜色选择和生成的样本 patches 并保持图像信息的关联性，以对肺癌的亚型进行精确分类。模型在 The Cancer Genome Atlas 数据集上表现出了 88.8% 的准确率和 0.89 的 AUC。

    Apr, 2020

  • 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