本研究开发了一种基于人工智能技术的诊断解决方案，可自动分割脑肿瘤亚区并预测 MGMT 甲基化状态，以帮助医生进行更好的治疗规划并改善患者的生存率。

Mar, 2022

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

使用 MRI 和弱监督序数支持向量机 (WSO-SVM) 实现对脑胶质母细胞瘤患者肿瘤内部区域遗传改变的非侵入性预测，为个体化肿瘤治疗提供信息。

Dec, 2023

本研究评估了近年来机器学习方法在脑瘤 mpMRI 扫描方面的应用，主要集中在评估各种脑瘤子区域的分割、预测肿瘤进展和预测患者的总体存活率等方面，考虑到数据集的多样性和不断演化，同时探讨了针对每个任务的最佳机器学习算法的挑战。

Nov, 2018

近年来，诊断胶质瘤变得越来越复杂。通过现代机器学习技术对胶质瘤组织进行组织学评估为支持诊断和预测结果提供了新机会。本综述通过对 70 项公开的基于机器学习的染色人类胶质瘤组织切片分析研究进行概述，包括亚型划分（16/70）、分级（23/70）、分子标记预测（13/70）和生存预测（27/70）。当前研究的重点是对成人型弥漫性胶质瘤的苏木精和伊红染色组织切片的评估。大多数研究（49/70）基于公开数据集，包括癌症基因组图谱（TCGA）的胶质母细胞瘤和低级别胶质瘤数据集，只有少数的研究孤立地使用其他数据集（10/70）或者与 TCGA 数据集同时使用（11/70）。目前的方法主要依赖于卷积神经网络（53/70）对 20 倍放大率的组织进行分析（30/70）。一个新的研究领域是整合临床数据、组学数据或磁共振成像（27/70）。到目前为止，基于机器学习的方法已取得了有希望的结果，但尚未在真实临床环境中使用。未来的工作应集中在使用大型、多中心、具有高质量和最新的临床和分子病理学注释的独立验证方法上，以证明其日常应用性。

Jan, 2024

通过多种机器学习算法预测 MYCN 基因扩增的存在或缺失，结果显示 CNN 方法优于放射学方法，无需手动分割肿瘤，只需要通过儿科放射科医师给定的中心点坐标和肿瘤切片数进行诊断。

May, 2022

该研究提出了一种多模态学习框架，用于从医学图像中提取有关 Isocitrate Dehydrogenase (IDH) 基因突变的特征，以预测胶质瘤的基因型。实验结果表明，该模型优于基线深度学习模型，提供了一种预测胶质瘤基因型的新方法。

Mar, 2022

我们提出了一种治疗条件回归模型，利用术前磁共振扫描预测胶质母细胞瘤患者的生存时间。通过将治疗信息与磁共振扫描结合起来，我们的方法有效利用了所有治疗数据，并证明了将治疗注入到每个卷积层中的有效性。

Feb, 2024

扩散性胶质瘤的成长建模具有挑战性，本论文提出了一种新颖的端到端网络，可生成未来肿瘤掩模和不同治疗计划下肿瘤在任何未来时间点的真实磁共振成像。该模型基于尖端的扩散概率模型和深度分割神经网络，通过扩展扩散模型以包括顺序多参数 MRI 和治疗信息作为条件输入，指导生成扩散过程，以估算给定时间点的肿瘤成长。通过使用真实的手术后纵向 MRI 数据作为训练数据，在各种任务中验证了该模型的优异性能，包括生成带有肿瘤掩模的高质量合成 MRI，时间序列肿瘤分割和不确定性估计。结合治疗感知生成的 MRI，具备不确定性估计的肿瘤成长预测能够为临床决策提供有用的信息。

Sep, 2023

探究生命早期生物变化的演变需要对分子（如 DNA 甲基化）进行纵向分析，而儿童数据采集可能存在一定挑战。我们引入了一种基于多平均高斯过程（GPs）的概率性和纵向机器学习框架，考虑时间上的个体和基因相关性，提供了在不同个体年龄下 DNA 甲基化状态的未来预测，同时考虑了不确定性。我们的模型是在一个 0-4 岁儿童的出生队列中进行训练的，并且我们证明了在 5-7 岁的年龄段可以准确预测每个儿童的甲基化位点的状态。我们展示了多平均高斯过程预测的甲基化配置可以用于估计其他表型，如表观遗传年龄，并与其他感兴趣的健康指标进行比较。该方法鼓励表观遗传学研究朝向纵向设计，以探究发育、衰老和疾病进展过程中的表观遗传变化。

Dec, 2023