May, 2024

基于组织病理学的人工智能模型在肾癌临床试验中预测抗血管生成治疗反应

PDF
TL;DR通过深度学习方法，可以从组织病理学切片中准确预测血管生成分数，为血管生成生物学和抗血管生成疗法的研究提供了新的洞察。
predictive biomarkersmetastatic clear cell renal cell carcinomadeep learninghistopathology slidesangiogenesis
发现论文，激发创造
  • 应用层次视觉变换器和多实例学习预测组织病理学中的卵巢癌治疗反应

    评估了深度学习方法在预测卵巢癌治疗效果方面的效力，发现使用预训练的图像金字塔转换模型提取区域级特征，再用基于注意力的多实例学习模型进行整合和分类，能够部分预测抗血管生成药物 bevacizumab 在卵巢癌患者中的治疗效果，但受数据集限制和异质性的影响，准确性还需要更大、更高质量的数据集进一步验证。

    Oct, 2023

  • 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

  • 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

  • 个性化肾细胞癌预后的多模态深度学习：CT 影像与临床数据的整合

    通过结合 CT 成像和临床数据，该研究旨在设计一个全面的深度学习模型，能够预测肾细胞癌患者的存活概率，解决之前研究中存在的局限性，以便识别需要紧急治疗的患者。

    Jul, 2023

  • 使用深度学习技术预测肺组织活检图像的 EGFR 突变

    本文通过深度学习图像分析技术，使用自定义深度学习管道在肺癌组织中识别 EGFR 突变的形态学相关性，同时检测肿瘤和组织学亚型，证明了这种方法的有效性，并指出了使用特征提取器层在目标数据集上进行微调时没有特殊优势，选择高细胞密度区域并不总是有帮助。

    Aug, 2022

  • 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

  • 学习何处关注：一种用于自动免疫组化评分的新型注意力模型

    提出一种深度强化学习模型，利用免疫组化（IHC）评分的 HER2 作为顺序学习任务，以鉴别性特征学习为中心，针对多分辨率大型图像的样本块进行深度处理，以实现该评分的序列化预测，并取得了比现有方法更优越的性能，在计算病理学领域中具有推广应用的潜力，这是使用深度强化学习的第一项 IHC 评分研究。

    Mar, 2019

  • 全自动基于深度学习的免疫组织化学报告算法的开发与验证

    使用基于深度学习的半监督训练的全自动决策支持系统 (DSS)，对浸润性导管癌进行免疫组化评分，从而提高免疫组化评分的准确性和治疗决策，特别是在专家不可用的情况下。

    Jun, 2024

  • 卵巢癌组织病理学中的人工智能：一项系统综述

    该研究旨在评估人工智能在卵巢癌诊断和预后中的应用研究，结果显示有限的研究表明所有模型存在高风险和不确定性，建议未来研究需采用更加透明全面的报告和改进性能评估，从而提高其可重复性。

    Mar, 2023

  • 利用组织病理学图像基于深度学习的多种癌症生存预测

    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