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
-
乳腺癌幸存者讲述被忽视的挣扎
19岁被诊断出患有乳腺癌的米兰达·麦基翁（Miranda McKeon）正在分享她超越“坚强”叙事的经历。她正在讲述与她的诊断相关的痛苦、生育能力丧失以及复发的恐惧。
-
AI模型利用转录组和组织病理学预测乳腺癌治疗反应
研究人员开发了一种新颖的两阶段AI模型，旨在预测乳腺癌患者新辅助治疗的病理完全缓解（pCR）。该模型首先从大量数据集的组织病理图像中推断转录组，然后利用推断的表达与临床变量一起预测治疗反应。该方法实现了0.79的汇总AUROC，并证明其性能优于传统的组织病理学生物标志物，同时即使在组织样本量很少的情况下也表现出鲁棒性。
-
新算法使用关联规则进行乳腺癌分类
研究人员开发了一种新颖的基于关联规则的分类技术，以辅助乳腺癌的早期检测。该方法利用三个核心算法：规则生成用于识别频繁模式并创建规则，规则剪枝用于精炼这些规则并按影响对其进行分类，以及规则预测用于应用精炼的规则对测试数据进行分类。该方法旨在为医疗专业人员提供可理解的结果，并在初步测试中展示了可行性和性能。
-
人工智能影响医疗保健和心理健康，辅助癌症风险评估并加剧焦虑
人工智能越来越多地应用于医疗保健领域，纽约时报的一款新工具使女性能够评估其乳腺癌风险。同时，人工智能的日益普及导致焦虑情绪上升，这种情绪现在已在治疗环境中显现。
-
新的高斯-牛顿方法优化AI模型超参数
研究人员开发了一种基于阻尼高斯-牛顿方法的新型多目标超参数优化方法。该技术将超参数调整视为一个数值优化问题，估计雅可比矩阵以了解多个验证指标对超参数变化的敏感性。该方法在XGBoost分类任务的超参数上进行了测试，结果与网格搜索、随机搜索和TPE相比具有竞争力，特别是在乳腺癌数据集上，其准确率与网格搜索相当，同时改善了log loss和ROC-AUC。
-
AI模型预测个性化化疗敏感性以用于乳腺癌治疗
研究人员开发了一种因果多模态人工智能模型，旨在预测个体患者对乳腺癌治疗的化学敏感性。该人工智能方法利用常规收集的病理和临床数据来生成个性化的复发概率，其表现优于当前的复发评分测试。该模型展示了强大的预后区分能力，并有可能在维持无复发率的同时将化疗用药量减少 30%。其预测能力也显示出应用于非乳腺癌的潜力，表明了一种用于预测各种癌症类型治疗结果的通用策略。
-
新的 TACTIC 框架通过临床数据提示增强 MRI 诊断
研究人员开发了 TACTIC，一个新颖的、基于提示的多模态框架，旨在将全身 MRI (WB-MRI) 与结构化临床数据相结合，以改进疾病诊断。该方法在 arXiv 论文中有所介绍，通过将临床属性编码为提示来实现条件视觉特征学习，使其能够处理不完整或缺失的表格数据而无需进行插补。TACTIC 在五项分类任务上进行了评估，包括糖尿病、COPD、乳腺癌、前列腺癌和转移诊断，在存在临床信息的情况下，其性能优于仅图像的方法，并在数据不完整的情况…
-
AI 在乳腺X光片中检测心脏病；Zara 在英国推出平价品牌；OpenAI 高管变动
一项新研究表明，AI 可以通过分析乳腺X光片来检测女性心脏病，从而可能同时进行乳腺癌和心血管疾病的筛查。另外，Zara 的母公司 Inditex 正在英国推出其平价品牌 Lefties，旨在利用机器人辅助的门店与 Primark 和 Shein 等零售商竞争。在其他新闻中，OpenAI 正在经历重大的高管变动，有报道称公司内部权力正在整合。
-
AI 分析乳腺钼靶图像以检测女性心脏病
研究人员开发出一种人工智能模型，能够通过分析常规乳腺钼靶图像来检测女性心脏病。这项突破性进展有望将乳腺癌筛查转变为一种双重用途工具，在筛查癌症的同时识别冠状动脉疾病、高血压和中风史等心血管问题。该人工智能在识别中风方面准确率高达86%，在识别高血压或冠状动脉疾病方面准确率达到78%-79%，为解决女性心脏病诊断不足问题提供了一种可扩展的方法。
-
深度学习模型在标签高效癌症诊断方面展现出潜力
本研究论文探讨了监督学习、半监督学习和自监督学习这三种学习环境，旨在利用深度学习模型实现高效的癌症诊断。研究人员在肾癌、肺癌和乳腺癌的数据集上评估了Residual Network-50、Visual Geometry Group-16和EfficientNetB0。研究结果表明，半监督学习是传统监督学习的可行替代方案，尤其是在标记数据稀缺的情况下，它能以更低的计算成本和更少的标记样本取得可比的结果。
-
为乳腺癌多学科团队会议开发设备端AI系统
研究人员开发了一个设备端AI系统，旨在协助乳腺癌多学科团队会议。该系统利用开源自动语音识别（ASR）和大型语言模型（LLMs）来转录患者讨论、构建临床信息，并根据既定指南生成治疗建议。AI流程完全在本地硬件上运行，确保患者数据隐私和机构基础设施要求合规。评估显示，与基于云的对比系统相比，转录准确性和干预措施识别的准确性均有所提高。利益相关者认为自动化文档和决策支持是关键应用，同时也指出了工作流程整合和临床医生信任方面的挑战。
-
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。