Sep, 2024

M2OST：基于数字病理图像预测空间转录组学的一对多回归

HTML
PDF
TL;DR本研究针对空间转录组学（ST）数据获取成本高昂的问题，提出了一种名为M2OST的模型，通过解耦多尺度特征提取器来解决现有方法忽略的多尺度信息和点间视觉信息损失问题。M2OST展示了在使用更少参数和浮点运算的情况下，能够在多个公共ST数据集上实现最先进的性能，具有显著的潜在影响。
发现论文，激发创造
  • 从组织病理学图像预测分子表型：乳腺癌中一项转录组范围的表达形态分析

    该研究使用基因特定模型和卷积神经网络从组织形态结构预测肿瘤基因表达及其空间分布，并验证了该方法在乳腺癌中的可行性，为描述肿瘤内异质性提供了可扩展性的方法。

    Sep, 2020

  • 医疗系统规模下的计算病理学 -- 来自三十亿图像的自监督基础模型

    最近在自我监督学习方面的突破已经实现了使用大规模无标签数据集来训练视觉基础模型，该模型可以推广到各种下游任务。本项目的目标是训练最大的学术基础模型，并通过在大型临床病理数据集上的预训练和下游性能评估来对最重要的自我监督学习算法进行基准测试。结果表明，与自然图像的预训练相比，病理数据的预训练对下游性能是有益的。此外，DINO算法在所有测试任务中实现了更好的泛化性能。这些结果标志着计算病理学研究的一个阶段性变化，为基于大规模、并行预训练的更高性能模型开辟了新时代。

    Oct, 2023

  • 数字病理学中无旋转偏见的图像表示学习

    本研究提出了三个关键技术贡献，分别为：一种快速的片段选择方法（FPS）用于全切片图像分析，显著降低计算成本同时保持准确性；一种轻量级组织病理特征提取器 PathDino，仅包含五个Transformer块和900万参数，较其他方法大大减少；一种使用自监督学习的旋转不变表示学习范式，有效减轻过拟合。并且通过在12个不同数据集上的评估，证明我们的紧凑模型优于现有的最先进组织病理专用视觉转换器，还验证了其在数字病理学中增强图像分析的鲁棒性。

    Nov, 2023

  • M2ORT: 基于组织病理学图像的空间转录组学预测的多对一回归变换器

    利用多对一回归变压器M2ORT，通过分解多尺度特征提取器来处理病理图像的层次结构，从而直接从数字病理图像预测空间转录组学表达，实现了更少的参数和浮点计算，并在三个公共转录组学数据集上取得了最先进的性能。

    Jan, 2024

  • STimage-1K4M: 一个用于空间转录组学的组织病理学图片-基因表达数据集

    本研究介绍了STimage-1K4M，这是一个包含基因表达信息的新型数据集，用于多模态数据分析和计算病理学等领域，为细胞病理学研究提供了前所未有的精细度。

    Jun, 2024

  • 通过多视图图形对比学习与HSIC瓶颈正则化从组织学中预测空间分辨率基因表达

    通过多视图图对比学习和HSIC约束正规化方法构建的空间转录组学(ST)框架(ST-GCHB)，以学习共享表示来考虑空间依赖性，从而根据查询的图像点来估计相应的基因表达量。

    Jun, 2024

  • HEST-1k：用于空间转录组学和组织学图像分析的数据集

    通过H&E染色全屏幕图像，将分子组成与组织形态学编码结合的空间转录组学，可以用于计算方法和生物标志物鉴定的研究。

    Jun, 2024

  • 多模式对比学习用于基因表达的空间预测与组织学图像

    该研究利用空间转录组学和人工智能技术，提出一种多模态对比学习方法来预测基因表达水平，通过在乳腺癌数据集和皮肤鳞状细胞癌数据集上的广泛评估，证明了该方法在预测基因表达和解释肿瘤相关基因方面的卓越性能。

    Jul, 2024

  • 利用空间转录组学补全增强组织学图像的基因表达预测

    我们提出了一个系统策划且处理过的数据库，从26个公共资源中收集，相较于以前的作品增加了8.6倍，同时我们还提供了一种最先进的基于转换器的补全技术用于推测缺失的基因表达，这极大地提高了对所有数据集的转录组预测性能。

    Jul, 2024

  • HistoSPACE：启发于组织学的空间转录组预测与表征引擎

    本研究针对空间转录组学在临床实践中应用的挑战，提出了一种新颖的模型HistoSPACE，旨在通过提取组织图像中的分子信息解决信息多样性不足的问题。该模型利用通用图像自编码器构建了轻量级图像编码器，并通过空间转录组数据进行微调，显示出优于现有算法的效率与准确性，具有提升精准医疗潜力的重要性。

    Aug, 2024