研究人员开发了一个名为 AM$^2$ES 的新框架，通过整合组织病理学全切片图像（WSIs）和转录组学数据来预测癌症生存率。该框架通过显式对齐多模态特征并自适应地优先考虑相关的组织尺度，解决了现有方法的局限性。AM$^2$ES 利用 Anchor-driven Multi-modal Fusion 模块进行语义对齐，并利用 Hierarchical Mixture-of-Experts 模块进行判别性区域识别和信息分辨率级别选择。在 TCGA 癌症队列上的实验表明，AM$^2$ES 实现了最先进的性能，并通过可视化分子通路如何影响不同组织尺度的专家路由决策来提供可解释性。 AI
影响 该框架可以通过更好地整合多样化的生物学数据来提高癌症生存预测的准确性和可解释性。
排序理由 该集群包含一篇详细介绍针对特定科学问题的计算框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
