Mar, 2024

联合多任务学习改进计算机病理学中的弱监督生物标记物预测

PDF
TL;DR通过弱监督的方式，我们开发了一个联合多任务 Transformer 架构，用于预测肿瘤学领域的两个关键预测生物标志物：微卫星不稳定性和同源重组缺陷，并通过辅助回归任务相关于肿瘤微环境，对此进行了培训和评估。使用我们的新方法，在外部队列中，相对于接收器操作特性下的最佳结果，对于预测微卫星不稳定性和同源重组缺陷，分别提高了 7.7％和 4.1％，同时通过 8％和 5％的更好嵌入聚类获得了更好的结果。
发现论文，激发创造
  • 基于回归的深度学习预测病理切片的分子生物标志物

    本研究开发并评估了一种自监督的基于注意力机制的弱监督回归方法，可以从癌症组织学图像中直接预测连续生物标志物，并发现回归模型优于分类模型，可以提高生物标志物预测的准确性和可解释性。这种开源回归方法为计算病理学中的连续生物标志物分析提供了一种有前途的替代方法。

    Apr, 2023

  • 基于 Hypernetwork 引导的多任务学习进行患者结果和零样本诊断预测

    提出了一种基于超网络的方法，使用任务条件参数和多任务预测模型的系数来学习任务特定的预测并平衡多任务学习，将语义任务信息合并到模型中，以解决多任务学习中的干扰和泛化问题，并在真实世界的 MIMIC 数据库上表现出比强基线更好的多任务病人结果预测性能，在限制信息场景及对未见过的诊断类别问题，也能有效地应对。

    Sep, 2021

  • 基于电子健康记录的关节疾病预测的自动化多任务学习

    在大数据和数字医疗领域，电子健康记录（EHR）已成为丰富信息的来源，具有改善患者护理和医学研究的潜力。近年来，机器学习模型不断增多，用于分析 EHR 数据以预测患者未来的健康状况。其中，一些研究主张采用多任务学习（MTL）来共同预测多种目标疾病，以提高预测性能，然而，目前针对 EHR 数据的 MTL 框架存在重要限制，因为它们过于依赖人为专家来识别任务组合以进行联合训练和设计模型架构。为了减少人工干预并改进框架设计，我们提出了一种名为 AutoDP 的自动化方法，它能够同时搜索任务组合和架构的最佳配置。为了解决任务组合和架构包含的庞大搜索空间，我们采用基于代理模型的优化，使我们能够高效地发现最优解。对真实世界的 EHR 数据的实验结果表明了提出的 AutoDP 框架的有效性。它在手工设计和自动化的最先进方法上取得了显著的性能改进，同时也保持了可行的搜索成本。

    Mar, 2024

  • 自监督学习提高了多种癌症组织学幻灯片中的 dMMR/MSI 检测

    本研究采用自监督学习方法，通过在来自 TCGA 数据集的组织学图像上训练神经网络，实现对 MSI 肿瘤的准确检测，相较于以往对 ImageNet 预训练的神经网络的结果，获得了更高的 AUC 值，实验表明 MoCo V2 特征更能准确地检测 MSI 且具有较好的泛化能力。

    Sep, 2021

  • 细胞检测和分割的弱监督多任务学习

    本研究使用深度学习算法和点标签编码方法，实现对 PMS2 染色大肠癌和扁桃体组织图像进行单个细胞检测和分割的目标，相比现有技术，本算法在不增加标注工作的情况下显著提高了细胞检测和分割的效果。

    Oct, 2019

  • 一种神经多任务学习框架，联合建模医疗实体识别和归一化

    文章提出了一种新颖的深度神经多任务学习框架，采用显式反馈策略联合建模识别和规范化任务，实现了一种将层次任务转化为并行的多任务设置，并保持任务之间的相互支持，从而显著提高了模型性能。实验证明，该方法在两个公开的医学文献数据集上的表现均显著优于现有方法。

    Dec, 2018

  • 联合自监督和有监督对比学习用于多模态 MRI 数据：走向预测异常神经发育

    利用多模态成像、深度学习和对比学习方法，从多模态 MRI 数据中学习鲁棒的潜在特征表示，将异构特征投影到共享空间，整合不同模态和类似主体间的互补和类似信息，进而提高了异常神经发育的预测能力和计算机辅助诊断的功效。

    Dec, 2023

  • DeepSMILE: 自监督异质感知多实例学习用于基于 H&E 全切片图像的 DNA 损伤响应缺陷分类

    提出了 DeepSMILE，一个深度学习弱标签学习方法，用于需要分析 Hematoxylin 和 Eosin 染色的肿瘤细胞的 WSI，无需像素级或瓦片级注释，使用自监督预训练和异质性感知的深度多实例学习进行学习，用于 HRD 和 MSI 预测，将其与最先进的基因组标签分类方法进行比较，DeepSMILE 在多中心乳腺和结直肠癌数据集中提高了 HRD 和 MSI 的分类性能。

    Jul, 2021

  • 医学网络自监督表示学习在药物开发中的多任务联合策略

    本文中提出了一种名为 MSSL2drug 的多任务自我监督表征学习的生物医学网络方法，使用基于图注意力机制的对抗学习框架， 评估了包括结构，语义和属性在内的多种模态特征的六种基本任务，其中的多模态、局部 - 全局组合策略可以被看作是多任务自我监督表征学习用于药物研发的指南。

    Jan, 2022

  • 部分标记多任务学习的联合任务正则化

    多任务学习中，我们提出了一种名为 JTR 的技术，通过利用任务之间的关联性，在单个联合任务的潜在空间中同时调整所有任务的参数，以提升在数据不完全标记的情况下的学习效果。我们在基于 NYU-v2、Cityscapes 和 Taskonomy 的各种部分标记场景中对我们的方法进行了广泛的基准测试来验证其有效性。

    Apr, 2024