使用深度学习来识别乳腺癌患者核心 - 针生物检查图像中腋窝淋巴结转移的状态，并通过评估性能和进行数据增强技术的研究来改进现有的方法。

Oct, 2023

通过视觉变换器为高分辨率 WSI 从研究多模态分类器训练的 DLBCL（弥漫性大 B 细胞淋巴瘤）癌症亚型提出了一个前景恶劣，比现有的替代方法更便宜，更快速。

Aug, 2023

本研究旨在开发一种对医疗数据具有鲁棒性的高效多模态融合架构，并进一步提高疾病诊断的性能。实验证明，我们提出的多模态融合架构有效地融合了三种模态并对缺失模态表现出较强的鲁棒性。该方法有望扩展到更多模态以增强模型的临床实用性。

Sep, 2023

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

介绍了一种基于 CT 图像以及临床测量和放射学数据的多模式异质图条件特征引导扩散模型，用于淋巴结转移诊断。通过构建异质图和应用条件特征引导扩散方法来消除信息冗余，并提出了一种掩蔽关系表示学习策略，旨在揭示原发肿瘤和淋巴结图像表示的潜在预后相关性和优先级。通过各种实验结果验证了我们提出方法的有效性。

May, 2024

我们提出了一种称为元学习的跨模态知识蒸馏的新方法，可以使多模态模型在缺少重要模态的情况下仍具有高准确性。该方法通过自适应估计每种模态的重要性权重，并利用跨模态知识蒸馏将高重要性权重的模态的知识转移到低重要性权重的模态上，从而产生高准确性模型。该方法在多个任务中有效，并实验结果表明在脑肿瘤分割和音视觉 - MNIST 分类方面，优于现有的模型。

May, 2024

使用机器学习 (Machine Learning, ML) 和联邦学习 (Federated Learning, FL) 框架对医学影像进行癌症分期已引起了广泛的关注，并可以克服患者数据曝露的隐私问题。本文介绍了一种新颖的 FL 架构，可适应数据样本的异质性和基于机构的数据模态的不均匀性，通过分布式梯度融合和感知客户权重策略解决了跨多个数据模态的收敛速度差异挑战，并使用 The Cancer Genome Atlas 程序 (TCGA) 数据集进行实验证明方法的优越性。

Jan, 2024

多模态学习对癌症生存预测有重要影响，尤其是病理图像和基因组数据的整合。本文提出了一种新的框架，用于解决多模态数据中的冗余性问题，并在五个癌症基准数据集上进行了广泛实验，证明其在其他方法上的优越性。

Jan, 2024

本综述研究使用多模态数据和强调可解释性以提高乳腺癌的诊断准确度、医生信心和患者参与度，最终促进更个体化的治疗策略，并指出多模态性和可解释性方面的研究空白，引导未来研究并为该领域的战略发展作出贡献。

Jun, 2024

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