- ICLR预训练视觉模型用于预测高风险乳腺癌分期
本研究使用数字病理(乳腺活检)图像的 Nightingale 开放科学数据集,利用预先训练的计算机视觉模型进行乳腺癌阶段预测,最终我们发现集成模型的预测性能更好,具有胜出的优势;此外,我们提供结果分析并探索更好的解释和泛化途径。
- AAAI多源生存领域自适应
本文介绍了如何通过机器学习方法进行生存分析,并解决了生存数据缺失和不平衡的问题。我们提出了一种新的生存度量和相应的差异度量,并将其应用于多个存活数据集进行领域适应。我们在两个肿瘤数据集上进行了实验,取得了出色的性能,有望提供更好的治疗建议。
- 药物反应预测的混合量子神经网络
利用深度量子神经网络的结构,提出一种用于预测药物效果的混合量子模型,并在减小的癌症药物敏感性基因组数据集上进行定量分析,表明该型混合量子模型比经典算法预测的药效值高出 15% 以上。
- MM基于机器学习的肺部和结肠癌检测:深度特征提取和集成学习
本研究利用深度学习和机器学习技术设计了一个混合集成特征提取模型,用于高效自动识别肺癌和结肠癌,模型在肺癌、结肠癌和肺癌与结肠癌的数据集上的准确率分别达到 99.05%、100% 和 99.30%。
- 基于多任务相关学习的多模态融合框架在癌症预测中的应用
基于 ResNet-152 和 SGCN, 结合多模态多任务相关学习 (MultiCoFusion) 的多模态融合框架可用于肿瘤的生存分析和癌症等级分类,基于 The Cancer Genome Atlas (TCGA) 的实验结果表明,M - AAAIDeep-CR MTLR: 一个多模态方法用于癌症生存预测与竞争风险
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。
- 分析癌症相关推文中错误信息的程度
本文提出了一种基于深度学习模型的关于推特上有关癌症信息失实的自动检测方法,并通过语言学分析比较了信息失实和真实信息的差异,以期提供有关社交方面的相关见解。
- 医疗保健中的贝叶斯网络:按疾病分布
研究发现,近三分之二的医疗保健贝叶斯网络都集中在四种疾病:心脏疾病、癌症、心理障碍和肺部疾病上。该研究呼吁加强对 BN 的理解和推广,以发挥其在日常医疗实践中带来积极影响的全部潜力。
- ICLR学习基因表达以预测癌症临床结果
该研究利用神经网络学习基因组表示,以预测癌症患者的生存情况,并证明该方法相较现有的生存分析方法具有优势。
- 基于基因组和化学特性的机器学习预测癌细胞对药物的敏感性
机器学习模型结合细胞基因组特征和药物化学特征,可以预测癌细胞株对治疗药物的敏感度,从而设计更优化的虚拟药物筛选来发现新型抗肿瘤药物的机会并最终应用于个性化医疗。