Dec, 2023

基于图神经网络的组织病理学数据中放射组学特征和基因表达谱的比较分析

PDF
TL;DR该研究利用图神经网络将 MELC 数据与放射学特征相结合，着重进行细胞级别分析，评估基因表达谱和放射学特征的有效性，发现放射学特征，尤其是与 UMAP 结合进行降维，显著提高分类性能。值得注意的是，使用放射学特征有助于提高诊断准确性和计算效率，因为它能够从较少的染色中提取关键数据，从而降低操作成本。这种方法在黑色素瘤细胞分类的计算皮肤病学中标志着一项进展，为未来的研究和潜在的发展奠定了基础。
发现论文，激发创造
  • 应用图形表示法对黑色素瘤 MELC 样本进行细胞级表征

    该研究使用多表位配体地图（Multi-Epitope-Ligand Cartography，MELC）对疑似黑色素瘤样本进行细胞水平的组织表征并构建了表示该表征的图表，进而采用图神经网络进行训练。该技术与方法组合的皮肤疾病图像分类准确率高达 87％，比现有方法提高 10％。

    Nov, 2022

  • Pathomic Fusion：融合组织学和基因组特征的癌症诊断和预后一体化框架

    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

  • 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

  • 建模纹理以预测脑瘤患者免疫细胞状态和生存情况

    使用随机森林模型并结合深度辐射学特征（DRFs）和临床变量，我们可以显著地预测胶质瘤患者免疫标记物的状态和总体生存期，并推断这些特征可用于在手术前通过定期获​​取的成像数据进行脑肿瘤患者的预测。

    Jun, 2022

  • 基于深度学习的乳腺癌肿瘤和免疫表型的组织病理预测

    通过应用多实例学习算法和不同的特征提取方法，该研究对乳腺癌的初级肿瘤进行多重描述，以测量肿瘤和免疫表型，为开发计算病理学标志物提供了潜力。

    Apr, 2024

  • 通过生物信息学的跨模态图学习，实现病理基因融合以用于生存分析

    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

  • 基于放射学的神经结构搜索的多模态信息融合

    本研究提出一种多模态神经架构搜索（MM-NAS）方法，用于自动得出较优的多模态图像特征，以生成 radiomics 并避免依赖手动过程。在公共 PET-CT 数据集中验证结果表明，相较于最先进的 radiomics 方法，我们的多模态神经架构搜索方法在软组织肉瘤中的预测可靠度更高。

    Jul, 2020

  • 头颈部肿瘤失败风险的放射组学评估策略

    使用随机森林和重采样技术使用 1615 个影像学特征对头颈癌患者进行放疗风险估计，证明放射学对特定肿瘤结局的风险评估具有重要的临床作用。

    Mar, 2017

  • 从组织病理学图像预测分子表型：乳腺癌中一项转录组范围的表达形态分析

    该研究使用基因特定模型和卷积神经网络从组织形态结构预测肿瘤基因表达及其空间分布，并验证了该方法在乳腺癌中的可行性，为描述肿瘤内异质性提供了可扩展性的方法。

    Sep, 2020

  • 基于统计和机器学习方法的基因表达谱分析的比较分析

    机器学习模型在表达基因数据的表型分类方面取得了好的性能，通过提取决策的解释，这些模型能提供对表型的理解，讨论了这种解释的生物学和方法论限制，并在癌症和健康组织样本的多个数据库上进行了实验。

    Feb, 2024