breast cancer
PulseAugur coverage of breast cancer — every cluster mentioning breast cancer across labs, papers, and developer communities, ranked by signal.
- 2026-08-18 research_milestone Scientists utilized an AI tool to analyze breast cancer tissue, revealing new insights into disease progression. 来源
5 天有情绪数据
-
AI工具CenSegNet揭示乳腺癌进展新见解
科学家开发了一款名为CenSegNet的AI工具，能够以前所未有的细节分析乳腺癌组织中的中心体异常。这项发表在《自然·通讯》上的突破性研究，实现了对整个肿瘤进行单细胞分辨率分析，揭示了先前无法区分的异常的独特生物状态和空间分布。这些发现可能有助于开发新的生物标志物和更个性化的乳腺癌患者治疗策略。
-
AI模型在科学研究评估方面可媲美人类专家
一篇新的arXiv论文表明，大型语言模型在从微生物致癌研究文献中提取和关键评估信息方面，可以媲美人类专家。研究人员使用包含24篇关于MMTV-LV和乳腺癌的研究论文的数据集，对包括GPT-5、GPT-5 Nano、Gemini 2.5 Pro和Gemini 2.5 Flash在内的模型进行了基准测试。在结构化评估任务上，GPT-5和GPT-5 Nano的表现与人类专家的表现无异，这表明LLM可用于自动化的系统性证据综合。然而，该研究也…
-
新的贝叶斯网络方法改进癌症预后建模
一篇新发表在arXiv上的研究论文提出了一种名为“生存感知贝叶斯网络”的方法，以改进临床预后建模。该方法解决了生存结局二值化的局限性，这种常见做法可能导致审查患者被排除以及时间信息的丢失。通过用Cox偏对数似然替换二值评分函数，“生存感知贝叶斯网络”可以识别二值化方法所遗漏的预后特征，这在涉及头颈癌、乳腺癌、结直肠癌和肾癌的研究中得到了证明。
-
Oncotype DX通过基因表达谱检测引领乳腺癌复发风险预测
Oncotype DX检测是一种广泛使用的基因表达谱检测，有助于预测乳腺癌复发风险和化疗的潜在获益。它属于一类更广泛的分子复发评分，包括MammaPrint、Prosigna和EndoPredict，旨在通过整合肿瘤生物学来个性化治疗。这些评分对于指导治疗选择、最大化治疗获益和最小化不必要的毒性至关重要。
-
基于 Copula 的临床和基因组评分融合可改善乳腺癌风险分层
研究人员开发了一种使用 copula 函数融合临床和基因组风险评分以进行乳腺癌分层的新方法。虽然与仅使用临床评分相比，该方法并未提高预测准确性（ROC-AUC），但它清晰地描述了两种评分之间的依赖关系。该研究利用了 METABRIC 和 TCGA 数据集，并强调，在临床和基因表达两方面评分都高的患者预后最差，这表明联合分组分析在理解风险方面具有价值。
-
基础模型与影像学连接癌症基因组与扫描
研究人员开发了一种新方法，该方法结合了名为 Evo~2 的基础模型和临床影像学，以识别基因与癌症表型之间的关联。该方法分析了三个 TCGA 队列（透明细胞肾细胞癌、肝细胞癌和乳腺癌）的体细胞突变，无需任务特定训练即可预测基因严重程度评分。通过将这些评分与肿瘤分割的影像组学特征相关联，该方法成功识别了已知的癌症驱动因素，并发现了 46 个新基因，包括那些与先前被常规方法遗漏的孟德尔纤毛病和细胞骨架疾病相关的基因。
-
新AI框架增强手术切缘评估的可解释性
研究人员开发了一个名为Agent-Guided Concept Discovery的新框架，旨在提高使用快速蒸发电离质谱法（REIMS）数据的外科手术切缘评估深度学习模型的可解释性和泛化能力。该方法直接从数据中学习有意义的概念，无需预定义标签，并使用一个推理代理来完善概念描述并调整其诊断相关性。该框架还将概念与生物化学知识图谱相结合，以确保与已知的代谢关系一致。在对皮肤癌和乳腺癌数据集的测试中，该模型在平衡准确率和敏感性方面有所提高，…
-
新的RF-Deep框架提升AI肺癌分割安全性
研究人员开发了RF-Deep，一个新颖的事后框架，旨在利用深度特征改进肺癌分割中分布外（OOD）输入的检测。该方法利用预训练分割骨干网络的层级特征，并锚定到预测的肿瘤区域，以最少的标记数据识别OOD的可能性。在超过2000例CT扫描上进行评估，RF-Deep在检测近OOD和远OOD病例方面表现出高精度，优于现有方法，并显示出作为临床AI部署安全过滤器的潜力。
-
UMAP和DBSCAN增强电子健康记录中的乳腺癌数据聚类
研究人员开发了一种新的方法，利用电子健康记录中的乳腺癌数据进行无监督聚类分析。该方法结合了用于降维的均匀流形逼近与投影（UMAP）和DBSCAN聚类算法。该组合方法的有效性通过DBCV、DCSI和DISCO等统计指标进行了验证，证明了其识别具有医学意义的患者群体的潜力。
-
新的EB-VAE框架整合多模态数据以增强医学建模 · 跟踪2个来源
研究人员开发了一个新框架，即多模态经验贝叶斯变分自编码器（EB-VAE），旨在整合多样化的数据源，以改进医学应用中的人群建模。该EB-VAE框架扩展了现有模型，以联合分析纵向肿瘤测量、退出信息和遗传协变量。该模型包含一个处理信息性退出的风险模型，并通过遗传条件先验适应来整合基因组数据，在涉及皮肤黑色瘤和乳腺癌的实验中显示出改进的预测性能。
-
为全切片图像分类中的因果推断提出新假设
研究人员提出了两个假设来评估全切片图像（WSI）分类中的因果推断方法，特别是在乳腺癌诊断等数字病理学应用中。第一个假设认为，因果推断引入了一个独立的分类通道，从而提高了WSI分类的准确性。第二个假设认为，新通道和基线通道提取的特征之间的差异越大，越有助于消除虚假相关性，从而提高这些方法的有效性。这些假设在乳腺癌和非小细胞肺癌数据集上进行了测试，为将因果推断应用于WSI分析提供了一个新的理论框架。
-
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。