Sep, 2024

通过多模态表征学习进行肺癌生存预测

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 非小细胞肺癌预后的多模态学习

    本文提出了一个名为Lite-ProSENet的智能跨模态网络，针对肺癌的生存时间分析任务，利用多模态数据，相较于现有模型达到了最新的最优结果，89.3%的协调性。

    Nov, 2022

  • 跨模态注意力多模态融合用于非小细胞肺癌（NSCLC）患者生存预测

    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

  • TTMFN: 基于双流变压器的多模态融合网络用于生存预测

    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

  • 多模态癌症生存预测的原型信息瓶颈化与解缚

    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

  • Path-GPTOmic: 一个平衡的多模态学习框架用于生存结局预测

    通过多模态框架和生物学洞察来提高癌症生存预测准确性。

    Mar, 2024

  • FORESEE: 癌症生存鲁棒预测的多模态和多视图表示学习

    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

  • 基于嵌入式多模式学习的全面鳞癌的生存结果改善

    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

  • M2EF-NNs：用于癌症生存预测的多模态多实例证据融合神经网络

    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

  • 一种用于癌症生存风险预测的多模态对象级对比学习方法

    本研究针对计算机辅助癌症生存风险预测中的弱监督序列回归挑战，提出了一种多模态对象级对比学习的新训练方法。通过构建基于生存风险关系的对比学习对，并结合跨模态对比，最终开发出一种先进的生存风险预测器，显著提升了在两个公共多模态癌症数据集上的预测性能。

    Sep, 2024

  • 非小细胞肺癌的多模态医学图像融合分类

    本研究解决了非小细胞肺癌（NSCLC）的早期检测和亚型分类的复杂问题，通过融合CT和PET扫描图像、临床健康记录及基因组数据，提出了一种创新的多模态数据整合方法。研究结果表明，该新方法在NSCLC检测和分类的精度上取得了显著提升，准确率达94.04%，具有潜在的转变诊断和治疗规划的影响。

    Sep, 2024