Oct, 2023

口咽癌患者预测结果的图数据建模

PDF
TL;DR本文首次提出了病患超图网络（PHGN），并在感染舌咽癌（OPC）患者的计算机断层扫描（CT）辐射组学特征上进行了针对二分类和时间分析的研究，与图神经网络和基准线性模型进行了比较。
graph neural networksdisease classificationoutcome predictionhypergraph neural networkpatient hypergraph network
发现论文，激发创造
  • 使用图表示学习预测患者结果

    该研究提出了一种将 LSTM 和图神经网络结合使用的模型，通过利用救治过程中患者之间的关联信息，实现了对患者预后的精确预测，表现出比 LSTM 单独使用更好的效果。

    Jan, 2021

  • 基于图表示学习的组学数据策略：帕金森病案例研究

    该研究评估了在应用于帕金森病和对照样本的高通量生物数据的病例对照分类中，基于样本相似性网络和分子相互作用网络的多个图表示学习模型，包括蛋白质 - 蛋白质和代谢物 - 代谢物相互作用。通过系统应用于转录组学和代谢组学数据的比较分析，突出了各种架构在提取组学数据模式方面的优点和局限性，为生物医学研究中更准确、可解释的模型铺平了道路。

    Jun, 2024

  • 基于潜在图学习的疾病预测

    本文通过提出新的动态本地化图剪枝方法，在医学中的两个 CADx 问题上展示了学习单一、最优图形对 GCN 向下游疾病分类任务的可行性，由此我们证明了图形学习对于在医学应用中使用 GCN 进行更准确和稳健推断的重要性。

    Mar, 2020

  • 基于图表示的患者医疗状况预测：朝向数字孪生

    本文提出了一个框架，将 AI 算法和数学建模相结合，以提供全面的生理条件视图，并展示了整体有机体概率模拟和分子数据驱动的临床模型集成的潜力，这有助于解决将多尺度计算模型与 AI 相结合的重要技术挑战，从而实现了医疗保健的数字孪生兄弟的目标。

    Sep, 2020

  • 利用图神经网络探究定制化医疗决策算法

    利用图神经网络（GNN）算法，该研究在医学和健康领域创新性地整合了图神经网络技术，并通过挖掘患者的临床特征、基因信息和生活习惯之间的复杂关联，构建了高精度的患者健康状况表示模型。实验证实，相比传统机器学习方法和单一图神经网络模型，该个性化医学决策算法在疾病预测准确性、治疗效果评估和患者风险分层等方面表现出显著优越性。

    May, 2024

  • 用疾病轨迹图表示基于结果驱动的高阶依赖关系

    通过将机器学习技术应用于生物医学数据，我们提出了一种方法，能够在图中准确编码给定结果的风险因素组合，并且相较于其他方法，这种网络编码了关于 2 型糖尿病向多种结果的进展更多的信息。

    Dec, 2023

  • 跨网络节点分类的人口图自闭症检测

    图神经网络对于结合图像和非图像医学信息用于节点分类任务非常有效。这篇论文介绍了 OTGCN，一种强大而新颖的跨网络节点分类方法，它利用图卷积网络中的概念来充分利用图数据结构的洞察力，同时应用基于最优传输的策略来纠正在不同数据收集地点之间可能发生的域漂移。该方法为在不同地点和设备上收集到多种不同形式数据的情况提供了实用解决方案。我们通过使用图像和非图像数据的混合方式演示了这种方法在自闭症谱系障碍患者分类中的有效性。

    Jan, 2024

  • 利用异构图模型对生物实体的空间关系进行建模，用于乳腺癌的诊断

    本文旨在提出一种基于异构图神经网络的新方法，通过捕获细胞与组织之间的空间和层次关系，增强组织学图像中有用信息的提取，与转换器方法相比，本方法在参数数量和准确性方面都有所突破，在三个公开的乳腺癌数据集中表现出更高的效率和精度。

    Jul, 2023

  • 面部和颈部癌症患者的肿瘤图学习进行生存预测

    通过 U 型卷积神经网络进行头颈部区域分割，结合支持向量机分类器实现肿瘤的语义分割，采用 Weibull 加速失效时间模型和深度学习等方法进行存活预后预测，在图像块处理方面探索性地进行图形卷积，从而实现对头颈癌进行自动分割和预后预测，测试数据获得了 0.64 的协调指数，在 HECKTOR 2022 挑战排行榜中排名第六。

    Apr, 2023

  • 图神经网络和神经微分方程在肿瘤动态预测中的融合

    使用异质图编码器结合神经普通微分方程的方法，在个性化肿瘤动态预测方面取得了显著改进，表明该方法在临床前研究中具有潜在应用。

    Oct, 2023