以神经网络和多任务逻辑回归为基础的深度多模态机器学习方法,可提高癌症患者特定生存率的准确预测,其二年AUROC为0.774,C指数为0.788。
Dec, 2020
提出了一种跨模态注意力多模态融合管道,用于整合非小细胞肺癌(NSCLC)患者生存预测的特定模态知识,相较于单一模态的组合方法,在实验中取得了c-指数为0.6587的结果,展示了从不同模态融合中融入特定知识的能力。
Aug, 2023
我们提出了一种名为Two-stream Transformer-based Multimodal Fusion Network for survival prediction (TTMFN)的新型框架,综合了病理图像和基因表达数据,通过多模态共同关注转换器模块和多头注意力池化方法,实现了对患者总体生存预测的最佳性能或竞争结果。
Nov, 2023
多模态学习对癌症生存预测有重要影响,尤其是病理图像和基因组数据的整合。本文提出了一种新的框架,用于解决多模态数据中的冗余性问题,并在五个癌症基准数据集上进行了广泛实验,证明其在其他方法上的优越性。
Jan, 2024
为了精确预测癌症患者的生存率,本文介绍了一个基于卷积掩码编码器的异构图注意力网络 SELECTOR,用于癌症患者的可靠多模态生存率预测。
Mar, 2024
该研究提出了Survival Rank-N Contrast (SurvRNC)方法,它引入了一个损失函数作为正则化器,以获得基于存活时间的有序表示,用于估计癌症风险评分,并在不同的深度生存模型上表现出更高的性能,并超过最先进方法的3.6%的符合指数。
一个新的端到端框架FORESEE,通过挖掘多模态信息来稳健地预测患者生存情况,同时利用细胞水平、组织水平和肿瘤异质性水平的丰富语义特征,解决了多模态数据的缺失问题,并通过交叉尺度特征融合方法,提高了病理图像特征表征能力。
May, 2024
用于患者生存预测的基于多模态数据的图神经网络框架PARADIGM优于其他模型,通过整合多种数据视角,提供全面的疾病认知。
Jun, 2024
本研究解决了现有癌症生存预测方法未能有效利用全球上下文和忽视模态不确定性的问题。我们提出的M2EF-NNs模型通过多模态和多实例证据融合技术,首次将邓普斯特-沙费尔证据理论应用于癌症生存预测,从而实现了更加可靠的预测。实验结果表明,该方法在TCGA数据集上的癌症生存预测方面显著提高了准确性。
Aug, 2024
本研究解决了现有肺癌生存预测方法在多模态数据整合方面的不足。论文提出了一种新颖的方法,通过整合CT、PET扫描和基因组数据,构建一个鲁棒的生存结果预测模型,并利用跨患者模块增强相似患者的嵌入对齐。实验结果表明,该方法在生存预测方面超越了现有最先进的技术,具有重要的临床应用价值。
Sep, 2024