跨模态生存分析的翻译和对齐
利用病理图像和基因组学特征进行生存预测在癌症分析和预后中变得越来越重要。本文提出了一种多模态跨任务交互 (MCTI) 框架,用于探索亚型分类和生存分析任务之间的内在关联。通过利用亚型分类任务来捕捉病理图像中与肿瘤微环境相关的特征,在基因组特征提取中应用多头注意机制来自适应地执行基因分组,获得与任务相关的基因嵌入。通过病理图像和基因组数据的联合表示,我们进一步引入了一种运输引导注意 (TGA) 模块,利用最优传输理论来模拟亚型分类和生存分析任务之间的关联,有效地转移潜在信息。大量实验证明了我们方法的优越性,MCTI 在三个公共基准测试中表现优于现有的最先进框架。
Jun, 2024
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
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
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
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
基于多模态融合模型,结合病理图像和基因组数据,本文提出一种适用于癌症生存分析的病理基因异质图模型(PGHG)。通过生物学先验知识,该模型实现了特征提取、生存预测和可解释性展示等功能,并在多个癌症数据集上证明了其性能优越性。
Apr, 2024
本文提出了一种解释性的、端到端的多模态融合策略 —— Pathomic Fusion,它基于组织学图像和基因组学(突变、CNV、RNA-Seq)特征,模型化跨模式的特征交互,并通过基于门控的注意机制控制每个表示的表现力,以提高生存结果预测的准确性,从而有助于其他医学问题的解决。
Dec, 2019
我们提出了一种名为 Two-stream Transformer-based Multimodal Fusion Network for survival prediction (TTMFN) 的新型框架,综合了病理图像和基因表达数据,通过多模态共同关注转换器模块和多头注意力池化方法,实现了对患者总体生存预测的最佳性能或竞争结果。
Nov, 2023
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