breast cancer
PulseAugur coverage of breast cancer — every cluster mentioning breast cancer across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
新方法应对医学等数据稀疏领域的合成数据挑战
一篇新研究论文提出了一种名为属性驱动合成数据工程的方法，以应对数据稀疏领域（如乳腺癌治疗）创建合成数据所面临的挑战。作者们借鉴了他们在术中放疗（IORT）软件方面的经验，强调核心工程问题已从数据稀疏性转移到定义和验证合成数据必须保留的关键属性。他们强调需要有工具和方法来提取、形式化、检查和演进这些有效性属性，尤其是在隐私限制下。
-
新统计方法在分类准确性上优于QDA和GAM
一篇新研究论文介绍了一种用于椭圆马氏判别分析的闭式分数径向链接，旨在提高二元分类准确性。所提出的方法推导了一个贝叶斯径向链接族，并使用分数幂随机多项式投影进行估计，为样条调优提供了一种替代方案。该方法在包括金融数据和乳腺癌等医学数据集在内的各种基准测试中，已证明与QDA和全局GAM等现有方法相比，具有竞争力或更优越的性能。
-
新的K-ABENA框架通过选择性梯度计算大幅降低AI训练成本
研究人员推出了一种用于神经网络训练中选择性梯度计算的新框架K-ABENA。该方法旨在通过排除一部分低损失观测值在反向传播中的参与来降低每次迭代的计算成本。K-ABENA的补偿版本利用Horvitz-Thompson重加权技术，实现了无偏梯度估计，并展示了与全批量随机梯度下降（SGD）相当的收敛保证，同时提供了显著的计算节省。
-
新AI框架整合多组学数据用于癌症研究
研究人员开发了一个名为通路活性自编码器（Pathway Activity Autoencoders）的新框架，用于整合多组学数据以进行癌症研究。该方法将先验生物学知识嵌入模型的架构中，在不牺牲表征能力的情况下增强了可解释性。应用于乳腺癌数据后，该框架在生存预测和亚型分类方面显示出潜力，其中基因、蛋白质和microRNA表达层被证明最具影响力。学习到的特征的可视化突显了模型的透明度和临床相关性。
-
AI模型ClinRAG-GRAPH改进乳腺癌pCR预测
研究人员开发了ClinRAG-GRAPH，一个用于预测接受新辅助化疗的乳腺癌患者病理完全缓解（pCR）的新型框架。该模型使用图卷积网络整合了包括DCE-MRI、临床变量和病理生物标志物在内的多模态数据。为了解决多中心成像的异质性，采用了领域对抗学习策略来减轻MRI协议偏差。此外，一个由LLM驱动的检索增强生成模块通过引用类似的既往病例进行pCR推断，增强了可解释性。该框架在多个数据集上表现出稳健的性能，在内部测试集上达到了0.815的…
-
新的深度学习框架整合组织学和基因组学以用于癌症研究
研究人员开发了JASPR，一个自监督深度学习框架，旨在整合组织学图像（HE）和空间转录组学（ST）数据。这种新颖的方法旨在捕捉两种模式的通用空间特性，同时编码模式特定的特征。JASPR已证明其在改善基因表达预测和为乳腺癌预后提供价值方面的有效性。
-
OncoSynth框架生成合成肿瘤学数据以改进治疗效果估计
研究人员开发了OncoSynth，一个旨在生成合成肿瘤学患者数据的新机器学习框架。该框架通过保持患者特征、治疗和结果之间的因果关系来解决现有方法的局限性，这对于准确估计治疗效果至关重要。对大型肺癌和乳腺癌队列的评估表明，OncoSynth能够生成高保真度的合成数据，显著提高了群体级别（误差减少高达66%）和患者级别（误差减少高达58%）的治疗效果估计的准确性，从而在数据受限的情况下支持证据生成。
-
联邦学习在医疗生存分析领域展现潜力 · 追踪2个来源
一篇新论文评估了联邦学习在医疗生存分析中的应用，特别是在跨多个机构的乳腺癌数据集上。该研究使用FedAvg、FedProx和FedAdam等联邦优化策略，比较了三种生存模型（Cox比例风险模型、DeepSurv和Random Survival Forest）。结果表明，联邦学习方法在保护患者隐私的同时，其性能可以媲美甚至超越集中式方法。Random Survival Forest模型在准确性和鲁棒性方面取得了最佳平衡，其性能受到客户端…
-
AI模型整合文本和结构化数据用于乳腺癌复发预测
研究人员开发了一种多模态机器学习方法来预测乳腺癌复发，该方法整合了结构化的治疗数据以及非结构化的病理报告和临床医生笔记。该方法使用正则表达式和冲突协调来从自由文本叙述中提取肿瘤特征，从而增强了传统的结构化记录。研究表明，与单模态方法相比，这种多模态整合始终能提高预测准确性，为幸存者的风险评估提供了一种更全面的方法。
-
欧洲乳腺癌MRI数据集发布，用于AI研究
研究人员发布了一个新的、公开可用的欧洲乳腺癌MRI扫描数据集，以推动医学影像AI的发展。该数据集包含来自五个国家六个机构的741次检查，涵盖了多种病灶类型，并反映了实际采集方案和扫描仪硬件的差异。还提供了使用基于Transformer的模型进行的基线实验，为未来研究建立性能基准。
-
Haiku模型整合空间生物学、组织学和临床数据
研究人员开发了Haiku，一种新颖的三模态对比学习模型，旨在整合生物医学研究中的分子、形态学和临床数据。Haiku在来自3000多名患者的空间蛋白质组学和组织学图像的大型数据集上进行训练，为这些多样化的数据类型创建了一个共享的嵌入空间。这使得先进的跨模态检索成为可能，改进了下游分类和预测任务，并允许零样本生物标志物推断，其性能优于现有的单模态方法。