Jun, 2024

通过治疗效果分析提升预测性成像生物标志物的发现

PDF
TL;DR本研究旨在通过深度学习模型从治疗前图像中发现和验证预测性影像生物标志物，以预测个体治疗效果，推动个性化医学决策。
predictive biomarkerspersonalized medicineimaging biomarkersdeep learning modelsimage feature attribution
发现论文，激发创造
  • 通过互信息排序生物标志物

    本研究利用信息论方法对生物标记进行排序，并引入适用于小型或稀疏数据集的经验贝叶斯估计器和新的可视化工具，以探索预测和预后生物标记的强度，同时观察哪些生物标记具有更显著的预后或预测作用，从而在生物标记发现领域具有重要作用。

    Dec, 2016

  • 利用生物标志物提高模型的可解释性和可靠性

    使用临床确立的生物标志物，决策树分类器的解释能够协助医务人员检测错误阳性，从而提高医学诊断模型的可靠性。

    Feb, 2024

  • 利用不确定性感知因果模型提高基于图像的精准医疗

    本研究使用基于贝叶斯的深度学习技术，通过对多发性硬化症患者的 MRI 图像进行数据训练，估计病人的不同治疗方案的后验分布，计算每种治疗方案和任意两种治疗方案之间的个体治疗效应（ITE）并对其不确定性进行评估，从而实现 “精准医学”，并对临床医生的决策提供指导。

    May, 2023

  • 通过解释性视角评估异质性处理效果模型的基准性能

    研究利用后处理的特征重要性方法来评估治疗效果估计器，通过建立基准环境，从而以往未被重视的新维度来研究个性化治疗效果模型的能力，以识别影响模型预测的特征，并提供有关处理效果模型的不同类型的优缺点的新见解。

    Jun, 2022

  • 利用深度学习对图像中的偏导信号进行控制：肺癌生存预测

    通过深度学习与结构因果模型的结合，可以实现针对肺癌患者的无偏个体预后预测。

    Apr, 2019

  • 学习通用肺部超声生物标志物以解耦特征提取与下游任务

    该研究提出了一种通过引入辅助的预任务 (视觉生物标志分类) 来将特征学习与下游肺部超声任务分离的方法；通过为预测生物标志标签训练模型，可以学习到一种信息丰富、简洁和可解释的超声视频特征空间。这些特征可以被用于各种下游临床任务的专家模型中，这些任务包括诊断、肺部严重程度以及 S/F 比；与直接针对这些任务进行训练的端到端模型相比，这些任务特定的专家模型具有可比的准确度，同时成本显著降低。

    Jun, 2022

  • 带免疫细胞标记物的深度放射组学特征预测胶质瘤患者的生存率

    本研究提出了一种基于卷积神经网络的深度放射状特征（DRF），可以从 MRI 图像中捕捉与免疫治疗相关的肿瘤特征并预测治疗反应。将 DRF 与临床特征和免疫细胞标志物组合使用可以在患者病理分组中识别短期和长期生存结果。

    Jun, 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

  • 预测遇到因果推断：治疗在临床预测模型中的作用

    该研究提出了一种基于 predictimand 框架的方法来处理临床预测模型中的治疗，通过给出不同的预测问题，定义相应的 estimands，并举例说明其应用场景和适用估算器，探讨了治疗风险的预测，从而阐述明确定义 estimand 的重要性。

    Apr, 2020

  • 通过隐性证据集成预测临床试验结果

    为了优化临床试验的设计，我们提出了一种新的临床试验结果预测（CTRP）任务，并利用大规模非结构化结构的医学文献中的语句隐含地包含 PICO 和结果的证据，预训练模型在下游数据集上进行微调得到更好的表现，针对 COVID-19 的另一个数据集也验证了性能提升。

    Oct, 2020