- 癌症中药物组合预测的置换不变多输出高斯过程
在机器学习中,剂量 - 反应预测是癌症领域的一个活跃应用领域。该研究使用大型 extit {in-vitro} 药物敏感性筛选库,旨在开发准确的预测模型,用于指导实验设计或决策治疗。通过改进以前的工作,利用置换不变的多输出高斯过程,我们开发 - 使用去噪扩散模型在 CT 图像中进行胰腺肿瘤分割的异常检测
通过使用去噪扩散算法,本研究提出了一种新颖的胰腺肿瘤检测方法,利用弱监督异常检测技术,可以在不需要复杂的训练协议和分割掩模的情况下,实现病变与健康对象之间的图像平滑转换,产生详细的异常图,为胰腺肿瘤检测领域的进一步研究做出了贡献。
- ICMLWISER:利用弱监督和监督学习来提高癌症药物反应预测
为了提高个体化治疗策略的研究,本文通过引入一种新颖的表示学习方法和弱监督,解决了癌症患者基因组数据和药物响应数据的差异问题,并在真实患者数据上证明了方法的有效性。
- 基于注意力机制的头颈部临床图像预癌病变鉴定管道
癌症的早期检测可以通过早期干预来改善患者的预后。我们提出了一种基于注意力机制的流水线,可以识别疑似病变、对其进行分割,并对其进行非异型、异型和癌性病变的分类。我们提出了一种基于视觉变换器的掩码 R-CNN 网络用于临床图像的病变检测和分割, - 通过生物信息学的跨模态图学习,实现病理基因融合以用于生存分析
基于多模态融合模型,结合病理图像和基因组数据,本文提出一种适用于癌症生存分析的病理基因异质图模型(PGHG)。通过生物学先验知识,该模型实现了特征提取、生存预测和可解释性展示等功能,并在多个癌症数据集上证明了其性能优越性。
- 个性化药物识别器:利用辅助信息的癌症治疗推荐系统
癌症个性化治疗是全球面临的一个挑战,在临床和经济上都具有不断增长的负担。为了有效利用临床诊断面板中的基因组分析,需要准确的药物反应预测模型,本研究提出了一种基于转换器的创新方法,超越了基准数据上最先进的药物反应预测模型的性能,同时还设计了一 - 生成型 AI 系统能够满足患者的信息需求吗?
通过主题分析,我们研究了具有生成性视觉问答系统的患者面向的生成式人工智能系统,以满足癌症患者在放射学成像数据中对医学术语、疾病进展、诊断步骤和治疗方案等方面信息的需求,结果表明模型的响应质量在不同主题上有所变化,强调患者面向的生成式人工智能 - 发掘多机构数据的力量:整合和协调跨机构的基因组数据
癌症是由基因组变异驱动的复杂疾病,肿瘤测序成为癌症患者临床护理的核心,多机构测序数据的出现为增强精准肿瘤学提供了有力资源。然而,利用这种多机构测序数据面临着重大挑战,包括基因面板的差异导致常见基因集上信息的丢失,测序技术和机构间患者异质性的 - 基于 BreaKHis 数据集的乳腺癌深度学习架构比较分析
通过对 BreakHis 数据集中的乳腺癌病例进行深度学习模型的评估,本研究发现 Xception 模型在诊断准确率、F1 得分等方面表现最佳,对于正确诊断乳腺癌具有重要意义,为改进乳腺癌诊断方法和促进新治疗策略的创建做出了重要贡献。
- 手工制作和深度学习放射组学的非冗余组合:应用于胰腺癌早期检测
通过使用 VAE 提取 DLR 特征并最小化其与 HCR 特征之间的互信息,我们解决了学习与传统手工特征不冗余的深度学习放射组学 (DLR) 的问题,这些特征可与手工特征相结合并通过分类器预测胰腺癌的早期标志物,并验证了其在大型独立测试集上 - 基于卡介苗的膀胱癌治疗的数学建模与社会人口统计
通过综合机器学习组件调整模型参数,构建个性化机理模型,并使用真实临床数据,展示其相对于原始模型在预测结局时的优势,平均改善了 14.8%。
- AAAIHVTSurv: 基于整张切片图像的患者生存预测的分层视觉 Transformer 模型
提出了一种名为 HVTSurv 的分层视觉 Transformer 框架,可对全切片图像进行预测和患者级别的癌症预测,并通过 3,104 名患者和 3,752 个全切片图像的验证实现了比以前的弱监督方法更高的平均 C 指数。
- 应用人工智能于癌症组织成像的研究与早期检测的现状
本文旨在回顾和概述当前人工智能在癌症组织成像方面所做的工作,提出了五个主要的任务模型,并讨论了这些方法面临的挑战和用于癌症预防和治疗的适应性。
- 利用人工智能进行头颈部癌症患者的诊断和预测
该研究提出使用机器学习和深度学习自动进行头颈部肿瘤分割、患者预后预测等医学任务,并比较了基于 ViT 和卷积神经网络的模型,同时提出了两个新的架构,其中 ViT 模型的预测与分割结果优于集成模型,该成果最终在 HECKTOR 2021 挑战 - 癌症实体关联和分类的机器学习方法
本研究使用自然语言处理中的实体识别和文本分类的两个主要函数来从生物医学文献中发现与癌症相关的信息,使用机器学习分类器来构建分类模型,并使用结构化查询语言来识别可能导致重要预测的隐藏关系。
- 利用双向编码表示从 Transformers 分类癌症基因效应
本研究提出一种新方法,利用 BERT 神经网络模型进行癌症的准确分类,并在小型的癌症生物医学文本语料库上进行微调,实验结果表明,我们的方法达到了 94.45% 的准确率,超过了先前的发现,为癌症研究和病患治疗的进展提供了重要贡献。
- T 细胞受体蛋白序列与稀疏编码:一种癌症分类的新方法
本研究使用稀疏编码对 TCR 蛋白序列进行多类别分类以在癌症研究和其他相关领域中分析 TCR 蛋白序列,结果实现了 99.8%的准确率,并突显了稀疏编码在肿瘤治疗中的潜力。
- 用 EfficientNet 算法分类不同类型的癌症
本文使用 EfficientNet 算法对脑肿瘤、乳腺癌、胸癌和皮肤癌进行分类,并使用公开可用的数据集,在保证一致性和可比性的基础上进行预处理。实验结果表明,EfficientNet 算法在各种癌症数据集上均取得了高准确度、精确度、召回率和 - 跨注意力 Transformer 用于多模态无监督全身 PET 异常检测
利用 PET/CT 成像技术和 transformers 的多模态融合,提出了一种无监督的异常检测算法,用于检测癌症的存在,并表明该方法可以在缺少正常训练数据的情况下准确地进行癌症定位,进而提高了临床诊疗精确性。
- 非临床文本信息检索在癌症相关论坛帖子的高效标注
本研究使用分布式计算,文本检索,聚类和分类方法,构建了一个完全功能的原型系统,可以从非临床和免费的在线信息中澄清癌症患者轨迹。聚类结果表明,邻域半径对聚类性能影响最大。达恩麻省理工学院模型可以在 46.1 秒内对 50000 个论坛帖子进行