DPSeq: 基于序列器架构的预测癌症生物标志物的新型高效数字病理分类器

May, 2023

DPSeq: 基于序列器架构的预测癌症生物标志物的新型高效数字病理分类器

DPSeq: A Novel and Efficient Digital Pathology Classifier for Predicting Cancer Biomarkers using Sequencer Architecture

Min Cen, Xingyu Li, Bangwei Guo, Jitendra Jonnagaddala, Hong Zhang...

TL;DR本研究开发了一种高效的数字病理分类器 DPSeq，通过微调附带水平和垂直双向长短期记忆 (BiLSTM) 网络的测序器结构，预测结肠直肠癌 (CRC) 的癌症生物标志物，在国际数据集 MCO 和 TCGA 上评估了 DPSeq 的预测性能表现优异，并在预测 MSI 状态、BRAF 突变和 CIMP 状态方面超过了 4 个 CNN 和 2 个 transformer 模型。

Abstract

In digital pathology tasks, transformers have achieved state-of-the-art results, surpassing convolutional neural networks (CNNs). However, transformers are usually complex and resource intensive. In this study, we developed a novel and efficient →

digital pathology dpseq cancer biomarkers sequencer architecture long short-term memory

发现论文，激发创造

拥抱自然语言处理（NLP）基于数字病理学：对比基于 NLP 和卷积神经网络的深度学习管道

通过比对 NLP 模型与 CNN 模型预测九种大肠癌生物标志物的结果，本研究表明 NLP 模型在数字病理领域的优越性，并证明相比大数据集，较小数据集下 NLP 模型得到的预测结果不比大数据集下的数字病理模型差。因此，NLP 模型已经可以成为数字病理领域的新基础模型。

Feb, 2023

基于深度学习和集成机器学习的结直肠癌组织学分解性能提升

利用混合深度学习和集成机器学习模型，该研究提出了一种超越以往解决方案的组合模型，对肠直肠癌的组织分类任务取得了 96.74％的准确率，在外部测试集上达到 99.89％的准确率。

Oct, 2023

序列器：深度长短期记忆网络用于图像分类

本研究提出一种名为 Sequencer 的新型卷积神经网络架构，使用 LSTM 来建模长距离依赖关系，不同于改进自然语言处理的自注意力的 ViT，通过多项实验表明其具有很高的性能表现，同时在双重分辨率下具有良好的适应性。

May, 2022

深度基序仪表板：使用深度神经网络可视化和理解基因组序列

本文提出了一个名为 Deep Motif Dashboard 的工具套件，提供了一系列深度学习网络模型中 DNA 定序信号及转录因子结合位点分类的可视化策略。其中，卷积递归架构在实验结果中表现最佳，其可视化技术指出了 CNN-RNN 模型在建模模式以及其中相互依赖的模体方面的性能。

Aug, 2016

数字病理学中无旋转偏见的图像表示学习

本研究提出了三个关键技术贡献，分别为：一种快速的片段选择方法（FPS）用于全切片图像分析，显著降低计算成本同时保持准确性；一种轻量级组织病理特征提取器 PathDino，仅包含五个 Transformer 块和 900 万参数，较其他方法大大减少；一种使用自监督学习的旋转不变表示学习范式，有效减轻过拟合。并且通过在 12 个不同数据集上的评估，证明我们的紧凑模型优于现有的最先进组织病理专用视觉转换器，还验证了其在数字病理学中增强图像分析的鲁棒性。

Nov, 2023

病理与基因组学多模态变压器用于生存情况预测

提出了一种多模态变压器模型 (PathOmics)，将病理学和基因组学洞察力结合到结直肠相关癌症存活预测中，通过无监督预训练来捕捉吉格像素全幅图像和各种基因组数据之间的固有互动，并且在预训练的多模态知识聚合后，我们的任务特定模型微调可以扩大适用于多模态和单模态数据（如仅图像或基因组）的数据效用范围，验证结果表明我们的方法在 TCGA 结直肠癌队列上是具有竞争力的并且胜过现有研究。

Jul, 2023

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

组织病理学癌症检测

癌症早期诊断是制定有效治疗计划并确保病人健康安全的必要步骤，本研究通过深度学习构建了一个潜在的肿瘤预后分类模型，利用组织病理学图像中有价值的信息，选择了 PatchCamelyon 基准数据集，训练了多层感知器和卷积模型，并评估了其精确度、召回率、F1 得分、准确度和 AUC 得分，结果显示基准卷积模型表现优于基准多层感知器模型。此外，本文还引入了 ResNet50 和 InceptionNet 模型，并使用数据增强，其中 ResNet50 能够超越最先进的模型，最后还通过多数投票和连接集成的方法探索了将迁移学习和分割应用于理解特定特征的未来方向。

Nov, 2023

基于深度学习的全切片图像分割与分析通用框架

本文章基于深度学习方法提出了一种可用于组织病理学图像分析的框架，并在癌症诊断、预后和图像分析等方面取得了良好的效果。

Jan, 2020

多染色多层卷积网络用于多组织乳腺癌图像分割

我们提出了一种基于卷积神经网络的多类组织分割模型，通过像素对齐的非线性融合实现了局部和全局视野，能够准确检测各种组织类别，并且对于多种染料和扫描仪具有稳定性。

Jun, 2024