我们提出了一种监督式多头注意机制模型（SMA）来成功分类癌症亚型。SMA 模型的注意机制和特征共享模块可以成功学习多组学数据的全局和局部特征信息。通过与 AE、CNN 和 GNN 等模型在模拟、单细胞和癌症多组学数据集上进行广泛实验验证，SMA 模型相比其他模型在准确性、F1 宏观值、F1 加权值和癌症亚型分类上取得了最高的精度，因此为基于多组学数据的未来研究做出了贡献。

Aug, 2023

本文提出一种基于参数化超复数神经网络的多视角乳腺癌分类方法，有效地捕捉乳腺内不同视角的相关性，模拟医生的诊断过程，试验证明该方法在乳腺癌分类中能够显著优于传统的深度学习方法和目前的先进方法。

Apr, 2022

本文提出了 PheME 这一基于多模态数据应用深度神经网络和模型融合技术的方法来准确地从电子病历中提取表型信息，以改善表型预测的性能。经过实验验证，PheME 方法在使用多模态数据的情况下，在七种疾病的表型预测中都获得了显著的提高。

Mar, 2023

本研究提出了一种新颖的多视图子空间聚类方法，其中采用了 Enriched Robust Multi-View Kernel Subspace Clustering 框架，结合多视角数据和谱聚类学习一致性亲和矩阵，解决了现有方法采用两阶段框架以及假设域数据均为线性子空间的问题。实验证明，该方法表现优于现有的聚类方法。

May, 2022

本文介绍了一种用于结膜黑色素瘤亚型识别的自动化且可解释的系统，该系统嵌入了候选细胞学图像的每个自动分割细胞作为由许多代表性幻灯片定义的 2D 流形中的一个点，从而为组织样本的细胞水平组成进行推理，为活检提供可解释的亚型识别，并且通过对畸变的 2D 流形进行分区，训练基于规则的幻灯片级分类算法来评估。

Aug, 2021

我们提出了一个基于注意力机制的无监督对比学习框架（AMUCL），用于分析癌症多组学数据以识别和表征癌症亚型。其中，基于多头注意力机制的 DMACL 模型用于学习多组学数据特征和聚类，并识别新的癌症亚型。通过计算特征空间和样本空间中样本之间的相似性，该无监督对比学习方法将亚型聚类。相较于其他 11 个深度学习模型，在单细胞多组学数据集上，DMACL 模型获得了 0.002 的 C-index、0.801 的轮廓系数和 0.38 的戴维森堡丁指数。在癌症多组学数据集上，DMACL 模型获得了 0.016 的 C-index、0.688 的轮廓系数和 0.46 的戴维森堡丁指数，为每种癌症类型提供了最可靠的癌症亚型聚类结果。最后，我们在 AMUCL 框架中使用 DMACL 模型揭示了 AML 的六个癌症亚型，并通过 GO 功能富集分析、亚型特定的生物学功能和 AML 的 GSEA 进一步提高了基于可推广的 AMUCL 框架的癌症亚型分析的解释能力。

Jul, 2023

通过使用基于内容的医学图像检索 (CBMIR) 分析组织病理学切片图像，数字病理学通过提供一种强大的工具进而革命了肿瘤诊断；为了解决 CBMIR 中缺乏标注的组织病理学图像的问题，文中提出了一种无监督学习方法 (UCBMIR), 并采用基于卷积自编码器 (CAE) 的自定义方法提取特征，经过实验表明该方法具有较高的识别准确率。

May, 2023

本研究开发了一种新的深度学习池化操作符 —— CHARM，以提高癌症诊断的准确性和可解释性，实验结果证明其在非小细胞肺癌和淋巴结转移的亚型识别方面优于其他弱监督分类算法。

May, 2023

近年来，单细胞 RNA 测序领域的聚类方法得到了大量发展，然而大多数已有的聚类算法往往忽略基因之间的网络结构，并以属性信息为主要依据，本文提出了一种先进的单细胞聚类模型，通过双图对齐的方式整合了基因网络信息，优化聚类结果并保留了细胞与基因之间的关联，从而更准确地获得细胞亚群，并生成更接近真实生物场景的聚类结果，为早期疾病诊断和治疗奠定了基础。

Nov, 2023

研究简述：为了在小数据集上避免过拟合，提出使用额外监督、临床预测和密集融合三种简单方法进行改进的多模态融合，以帮助优化。提出的方法可以应用于任何具有配对图像和非图像数据的分类任务，本研究在前列腺癌诊断方面进行了验证。

Apr, 2023