该研究提出了一种多模态学习框架，用于从医学图像中提取有关 Isocitrate Dehydrogenase (IDH) 基因突变的特征，以预测胶质瘤的基因型。实验结果表明，该模型优于基线深度学习模型，提供了一种预测胶质瘤基因型的新方法。

Mar, 2022

提出了一种基于图的神经网络模型 GraphS4mer，用于对多变量信号进行时空建模，通过学习动态演化的图结构来捕捉数据中的空间和时间相关性，并在三个不同的任务中测试，发现相较于其它模型，GraphS4mer 有着更优的性能表现。

Nov, 2022

提出了一种考虑时空信息的灌注参数估计网络 (ST-Net)，该网络结合了设计的物理损失函数，能够准确估计灌注参数，包括脑血容量、脑血流和残差函数的最大时间。

Dec, 2023

本文提出了一个新颖的端到端注意力图神经网络模型，用于根据手术前参考分割和治疗期间所采集的 2D MRI 横截面图像来实时生成肝脏的三角形形状，模型使用图神经网络处理图形数据，并能够捕捉非欧几里得域中的隐藏模式。与现有方法不同的是，该方法完全在网格结构中生成形状并基于替代图像正确推断网格形状和位置。提出了两种实时方法来使肝脏网格顶点与治疗期间获得的 2D 图像相对应，并引入了一种新型任务特定身份信息损失来限制图神经网络中肝脏的变形。该方法的平均误差为 3.06 +- 0.7 毫米，L2 范数下的 Chamfer 距离为 63.14 +- 27.28。

Mar, 2023

采用深度学习模型结合多模态数据进行阿尔茨海默病的早期诊断，通过图神经网络框架将结构和功能融合，提高诊断效果。

Jul, 2023

本文旨在提出一种基于异构图神经网络的新方法，通过捕获细胞与组织之间的空间和层次关系，增强组织学图像中有用信息的提取，与转换器方法相比，本方法在参数数量和准确性方面都有所突破，在三个公开的乳腺癌数据集中表现出更高的效率和精度。

Jul, 2023

扩散性胶质瘤的成长建模具有挑战性，本论文提出了一种新颖的端到端网络，可生成未来肿瘤掩模和不同治疗计划下肿瘤在任何未来时间点的真实磁共振成像。该模型基于尖端的扩散概率模型和深度分割神经网络，通过扩展扩散模型以包括顺序多参数 MRI 和治疗信息作为条件输入，指导生成扩散过程，以估算给定时间点的肿瘤成长。通过使用真实的手术后纵向 MRI 数据作为训练数据，在各种任务中验证了该模型的优异性能，包括生成带有肿瘤掩模的高质量合成 MRI，时间序列肿瘤分割和不确定性估计。结合治疗感知生成的 MRI，具备不确定性估计的肿瘤成长预测能够为临床决策提供有用的信息。

Sep, 2023

本文提出了一种新的多模态时间图注意力网络框架 —— 联合核图注意力网络（Joint kernel Graph Attention Network，JGAT），结合了功能磁共振成像（fMRI）和扩散加权成像（DWI）的数据，可以保留动态信息，具有更好的编码能力。使用 JGAT 模型从多个 7T fMRI 数据集中对大脑进行解码任务，同时可以计算和学习到注意力得分（AS）和帧得分（FS）来定位多个信息时间段，并建立富有意义的动态通路。

Jun, 2023

本文提出了一个框架，将 AI 算法和数学建模相结合，以提供全面的生理条件视图，并展示了整体有机体概率模拟和分子数据驱动的临床模型集成的潜力，这有助于解决将多尺度计算模型与 AI 相结合的重要技术挑战，从而实现了医疗保健的数字孪生兄弟的目标。

Sep, 2020

本研究提出了一种时空注意力图神经网络模型，通过结合图神经网络和时间卷积神经网络，以改进预测精度和模型可解释性；该模型在统一归一化下表现出了卓越的结果。此外，对于具有多个操作条件的数据集，聚类归一化提升了我们所提出模型的性能高达 27%。

Jan, 2024