通过应用模糊基因选择技术，本研究提出了一个新的肿瘤分类模型，优于标准 MLP 方法，并在生物医学科学领域中提高了基因表达数据的分类准确性。

May, 2023

本文提出了一种利用自编码器和可解释的基于人工智能的评分来进行特征选择的算法，可用于诊断、预后和精准医疗。该算法在慢性淋巴细胞白血病数据集上应用，能够确定一组有意义的基因，供进一步医学研究参考。

Mar, 2023

该研究利用神经网络学习基因组表示，以预测癌症患者的生存情况，并证明该方法相较现有的生存分析方法具有优势。

Sep, 2016

近期单细胞基因组学的新进展要求在基因面板选择上精确以有效解读复杂的生物学数据。我们提出了一种迭代的基因面板选择策略，该策略能够整合其他基因选择算法的结果，并引入强化学习中的探索过程，以提高我们的框架的效率并动态地精细调整和定位基因面板选择。

Jun, 2024

通过将组织病理图像、遗传数据和临床数据整合，构建了一种新颖的深度学习方法，使用视觉转换器和自注意力机制在病人层面上提取图像特征和捕获图像关系，同时采用双交叉注意力机制结合遗传数据，并在最终层级上加入临床数据以提高预测准确性，通过在公共 TCGA-BRCA 数据集上的实验，表明使用负对数似然损失函数训练的模型能够取得卓越的性能，均值 C 指数为 0.64，超过现有方法，为制定个体化的治疗策略提供了便利，潜在地改善了患者预后。

Feb, 2024

该研究提出了一种深度生成式机器学习架构（称为 DeepCancer），通过对未标记的微阵列数据进行特征学习，帮助对癌症进行诊断。该模型在两个不同的临床数据集上进行了测试，并证明了其精确度较高，可显著控制假阳性和假阴性评分。

Dec, 2016

利用深度学习和综合多模态特征集成方法，该研究提出了一种能够准确进行生存风险分层和乳腺癌患者个性化治疗决策的方法，并应用于 ER + 乳腺癌病人，取得了优于现有方法的预测性能，同时解决了处理不平衡数据的重要问题。

Feb, 2024

本文提出了一种名为 Gene-MOE 的新型预训练模型，通过深度学习方法在 Pan-Cancer 数据库中分析基因组信息，以了解与癌症相关的因素，并有助于癌症的诊断和预后。实验结果表明，Gene-MOE 模型在癌症分类和生存分析中表现优于现有的模型，具有学习高维基因的丰富特征表示的能力。

Nov, 2023

通过开发深度学习系统，在多种癌症类型中利用组织病理图像预测疾病特异性生存，为癌症治疗和监测提供重要的预后信息。

Dec, 2019

准确筛选肿瘤类型对于有效的癌症检测和精确的治疗选择至关重要。本研究提出了一种名为进化优化的多样化集成学习（EODE）的框架，用于改进基因表达数据的癌症分类的集成学习。实验证明，EODE 相对于单独和传统聚合模型，在 35 个基因表达基准数据集上获得了显著提高的筛选准确性。此研究为使用基因表达生物标志物进行强大而广义的集成学习提供了有效的框架。

Apr, 2024