新的SHIFT模型可从不完整的基因组数据中预测生存期

研究人员开发了一种新颖的、可感知缺失的生存模型SHIFT，旨在从不完整和异构的基因组数据中预测患者生存期。与排除或填补缺失数据的方法不同，SHIFT通过掩码自注意力机制和特征可用性掩码直接利用观察到的输入。该模型在胶质母细胞瘤和肺鳞状细胞癌上进行了评估，即使在存在显著的跨队列面板不匹配的情况下，也表现出强大的泛化能力，并与标准的生存基线相比具有优势。 AI

影响 该模型有望提高多中心精准肿瘤学研究中基因组生存期预测的准确性和适用性。

排序理由 该集群包含一篇详细介绍新模型和方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• glioblastoma
• Gotit.pub
• Hugging Face
• Muhammet Sami Yavuz
• ScienceCast
• SHIFT
• squamous cell carcinoma of the lung
• Transformer++

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →