Aug, 2023

基于多头注意力机制模型的多组学数据癌症亚型的预测和分析

PDF
TL;DR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。
发现论文，激发创造
  • 基于癌症多组学数据的多头注意机制学习癌症新亚型和治疗

    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

  • MoCLIM: 通过多组学对比学习与组学推理模型实现准确的癌症亚型划分

    通过对多组学数据的分析，该研究利用 MoCLIM 框架，独立提取来自不同组学模式的信息特征，从而改善癌症亚型分类结果，并基于对不同组学模态的对比学习实现了癌症亚型的低维空间聚类。实验证据表明，该方法在少量高维癌症数据实例中显著提高了数据拟合和亚型分类性能，并在最终组件中结合了各种医学评估，从而提供了高可解释性的医学分析。

    Aug, 2023

  • 基于多模态注意力神经网络的抗癌化合物敏感性预测

    本文提出了一种新颖的基于多模态注意力神经网络（PaccMann）预测抗癌化合物敏感性的方法，集成了化合物的分子结构、癌细胞的转录组文件以及关于细胞内蛋白质相互作用的先前知识，通过用 SMILES 编码的化合物和癌细胞的基因表达谱预测 IC50 敏感性值，其中基因表达谱采用注意力编码机制编码，通过比较我们设计的模型和基准模型，证明了使用我们的注意力编码器可以超越基准模型，增强了可解释性并使我们能够识别网络用于进行预测的基因、键和原子。

    Nov, 2018

  • 基因转换器：用于基于基因表达的肺癌亚型分类的变压器

    本文介绍了一种利用多头自注意力机制的深度学习方法 Gene Transformer，用于对基因表达数据进行肺癌亚型分类，效果比传统算法更好，此方法有望在计算生物学中得到更好的应用。

    Aug, 2021

  • 跨模态注意力多模态融合用于非小细胞肺癌（NSCLC）患者生存预测

    提出了一种跨模态注意力多模态融合管道，用于整合非小细胞肺癌（NSCLC）患者生存预测的特定模态知识，相较于单一模态的组合方法，在实验中取得了 c - 指数为 0.6587 的结果，展示了从不同模态融合中融入特定知识的能力。

    Aug, 2023

  • 应用关注图扩增进行超复数乳腺癌分类

    通过提出的参数化超复杂关注地图（PHAM）框架，我们展示了其在乳腺癌图像分类方面的有效性，该框架使用深度学习技术和关注地图来改善诊断性能，并在乳腺癌图像和组织学图像方面超越了基于注意力的最先进网络和现有方法的实值版本。

    Oct, 2023

  • FORESEE: 癌症生存鲁棒预测的多模态和多视图表示学习

    一个新的端到端框架 FORESEE，通过挖掘多模态信息来稳健地预测患者生存情况，同时利用细胞水平、组织水平和肿瘤异质性水平的丰富语义特征，解决了多模态数据的缺失问题，并通过交叉尺度特征融合方法，提高了病理图像特征表征能力。

    May, 2024

  • 基于多任务相关学习的多模态融合框架在癌症预测中的应用

    基于 ResNet-152 和 SGCN, 结合多模态多任务相关学习 (MultiCoFusion) 的多模态融合框架可用于肿瘤的生存分析和癌症等级分类，基于 The Cancer Genome Atlas (TCGA) 的实验结果表明，MultiCoFusion 的表现优于传统的特征提取方法。

    Jan, 2022

  • 基于非线性脉冲神经元与自突触的多阶段注意力乳腺癌分类

    通过引入基于 NSNP 神经元的多阶段注意架构，缓解了深度网络的降采样对信息的丢失，使卷积神经网络能够更多地关注病变区域，从而实现乳腺癌的早期诊断和治疗，进而提高患者的生存率。该方法在公共数据集 BreakHis 上进行了评估，以不同放大倍率和分类任务实现了 96.32% 的分类准确率，超越了现有方法的性能表现。还进行了剔除实验，验证了提出模型的有效性。

    Dec, 2023

  • 基于视觉转换器的脑肿瘤分类方法，借助选择性跨注意力机制和特征校准

    提出了一种利用具有新型跨注意力机制的视觉变换器进行脑肿瘤分类的新方法，该方法充分发挥了变换器在建模长距离依赖性和多尺度特征融合方面的优势。实验证明，该方法在脑肿瘤分类中胜过其他最先进的方法，实现了更高的准确性和效率。所提出的特征校准机制和选择性交叉注意机制可以很容易地集成到其他视觉变换器架构中，成为医学图像分析领域未来研究的有希望的方向。

    Jun, 2024