colorectal cancer
PulseAugur coverage of colorectal cancer — every cluster mentioning colorectal cancer across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
新的因果推断框架评估人工智能医疗设备
研究人员开发了一个新的因果推断框架，用于评估诊断测试和人工智能医疗设备的有效性。该方法区分了解释性有效性（衡量测试为治疗决策提供了多少新信息）和实用性有效性（评估使用这些信息是否能改善患者结局）。该框架通过比较在最优治疗规则下使用诊断测试结果和不使用诊断测试结果的预期结局来形式化实用性有效性，提供了一种理解人工智能是通过扩展信息还是通过优化决策过程来增强医疗决策的方法。
-
深度学习模型自动分析癌症患者的CT身体成分
研究人员开发了深度学习模型，用于自动分析结直肠癌患者CT扫描的身体成分。训练了包括GoogLeNet和AlexNet在内的四种架构，以预测骨骼肌面积（SMA）、骨骼肌密度（SMD）、皮下脂肪面积（SFA）和内脏脂肪面积（VFA）。GoogLeNet在SMA上的平均百分比误差为4.96%，AlexNet在SMD上的平均百分比误差为8.12%，通过减少手动分割时间和专业知识，展示了简化临床工作流程的潜力。
-
新型抗体靶向先前无法触及的KRAS癌症突变
研究人员开发了一种新颖的基于抗体的疗法，该疗法靶向癌细胞的一个常见弱点，特别是KRAS蛋白的突变。这种新方法利用细胞的天然表面展示系统来呈现突变的KRAS蛋白片段，使其对 the antibodies and immune cells 可见。这种策略可以选择性地靶向具有KRAS突变的癌细胞，而这些突变先前被认为无法通过常规抗体治疗触及，有可能为治疗胰腺癌、结直肠癌和肺癌等癌症提供新途径。
-
AI模型GatorOnco在结直肠癌治疗规划方面达到专家级水平
研究人员开发了GatorOnco，一个用于结直肠癌治疗规划的具身大型语言模型。GatorOnco在包含UF Health大量临床文本的2820亿个token的海量数据集上进行训练，采用领域适应方法和具身检索增强生成方法来整合最新的临床指南。在临床评估中，GatorOnco表现出与肿瘤学家相当的专家级水平，在可读性和完整性方面获得更高评分，同时在正确性、时效性和安全性方面与专家表现持平。
-
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。
-
AI模型可从组织学图像预测结直肠癌生存率
研究人员开发了一种名为INSIGHT的图神经网络，可以直接从结直肠癌的常规组织学图像预测患者的生存率。该模型在TCGA和SURGEN数据集上进行训练，其预后性能优于标准的pTNM分期系统。通过分析空间风险图，INSIGHT识别了关键的组织病理学特征，并将其与分子谱数据相结合，揭示了复杂上皮-免疫相互作用，发现了潜在的治疗脆弱性。
-
AI框架Octopus自主发现癌症易感性
研究人员开发了一种名为Octopus的新型神经符号架构，旨在弥合大型语言模型与生物系统之间的差距，以实现自动化科学发现。该框架将LLM集群与物理引擎相结合，以生成假设、进行体外实验，并将结果转化为预测体内结果。在一项关于结直肠癌的研究中，Octopus自主识别出胰岛素样生长因子2 (IGF2) 是5-氟尿嘧啶耐药性的易感性，这一发现已通过统计分析得到验证，并在小鼠模型中得到证明。
-
新数据集CRC-HGD发布，用于AI驱动的结直肠癌分级
研究人员推出CRC-HGD，一个包含1914张组织病理图像的新数据集，用于结直肠癌分级。该数据集来源于214名患者，诊断时间为2014年至2019年，包含四个放大倍率（4x、10x、20x和40x）的图像。根据世界卫生组织的标准，这些图像被分为三级：高级别（I级）、中级别（II级）和低级别（III级）。该资源旨在促进人工智能模型在癌症自动检测和分类方面的开发。
-
发布用于AI辅助结直肠癌分级的新数据集
研究人员发布了CRC-HGD，一个专门用于结直肠癌分级的新组织病理图像数据集。该数据集包含来自214名患者的1,914张图像，根据世界卫生组织标准分为三个分化等级（高分化、中分化和低分化）。它提供了四个放大倍率（4x、10x、20x和40x）的图像，并通过Mendeley Data提供，旨在促进癌症分级的先进计算分析。
-
人工智能项目旨在改进肠癌筛查
一个人工智能项目正在开发中，以辅助肠癌的筛查过程。这种由人工智能驱动的方法旨在提高对该疾病的检测能力，可能带来更早的诊断和更好的患者预后。
-
AI识别出CAR T细胞疗法的新癌症靶点
宾夕法尼亚大学医学院的研究人员开发了一个AI管道，识别出了GPNMB，一种可用于CAR T细胞疗法的蛋白质靶点，该靶点存在于多种癌症类型中。该系统分析了超过10,000个潜在靶点，并进行了1,000次模拟以验证其发现，展示了开发新型癌症免疫疗法的潜力。
-
靶向基因揭开小鼠结直肠癌“隐身衣”
研究人员发现了一种通过靶向特定基因来消除结直肠癌肿瘤的方法，有效地揭开了癌症的“隐身衣”。这项在小鼠模型中得到验证的突破性研究，在与免疫疗法结合使用时，实现了100%的肿瘤根除率。该研究源自卡尔加里大学，聚焦于一种允许癌细胞逃避免疫检测的基础基因机制。
-
神经符号框架增强结直肠癌药物反应洞察
研究人员开发了一种名为上下文可逆世界模型（CIWM）的新型神经符号框架，以解决精准肿瘤学的局限性。该框架集成了机器学习模拟器和大型语言模型推理层，在提供预测准确性的同时实现机制清晰化。使用Sanger GDSC数据集，CIWM发现突变KRAS对APC/Wnt轴的优势会增加对5-氟尿嘧啶的耐药性，并且修复PIK3CA会通过激活MAPK生存通路而产生悖论性地增强化疗耐药性。
-
Guardant Health的Shield血液检测有助于早期癌症筛查
一款名为Shield的基于血液的结直肠癌筛查检测，由Guardant Health开发，在检测可能不接受传统结肠镜检查的个体中的癌症方面显示出希望。该检测分析肿瘤释放到血液中的DNA片段，在临床试验中显示出83%的敏感性和90%的特异性。虽然不能替代结肠镜检查，但Shield为数百万因恐惧、可及性或成本等因素而避免或推迟金标准筛查的人提供了一种摩擦更小的替代方案。最新指南已将基于血液的检测纳入可行的筛查选项。
-
新的VLM框架改进了临床癌症转诊处理
研究人员开发了RAPTOR+，一个利用视觉-语言模型（VLMs）的模态框架，用于改进临床癌症转诊的处理。该系统旨在通过将提取的信息直接链接到转诊文件中的视觉证据来提高信任度和可审计性。在结直肠癌转诊上的评估表明，经过微调的模型，特别是Qwen3-VL-8B，在阅读准确性和可验证证据基础方面显著优于Gemini 2.5 Flash等零样本模型，突显了任务特定微调对于可靠的临床文件理解的必要性。
-
深度学习模型TREX通过内窥镜检查预测直肠癌复发
研究人员开发了一个名为TREX的深度学习模型，用于从纵向内窥镜检查图像预测直肠癌复发。TREX利用带有Swin Transformers和双交叉注意力的Siamese网络，分析不同时间拍摄的图像对，区分持续反应和局部复发。该模型在检测复发方面表现出高精度，并有望在临床确认前数月实现早期检测，甚至在外科医生调查中达到主治医师级别的准确性。
-
AI模型可准确检测内窥镜图像中的直肠肿瘤复发
研究人员开发了一种新颖的带有双交叉注意力的Siamese Swin Transformer (SSDCA)，用于从内窥镜图像中检测直肠肿瘤的局部复发。该模型分析了新辅助治疗后接受观察等待监测的患者的连续图像。SSDCA在区分完全缓解和局部复发方面表现出优越性能，达到了81.76%的平衡准确率，并对常见的成像伪影表现出鲁棒性。
-
AI先验提升结直肠癌跨位点MSI预测能力
研究人员开发了一种方法，用于提高基础模型从全切片图像预测结直肠癌微卫星不稳定（MSI）状态的泛化能力。通过引入生物学驱动的空间先验，特别是外周距离编码和局部免疫邻域编码，模型对特定位点的成像模式的依赖性降低。外周距离编码方法在一个外部数据集上显示出0.959的高MSI AUC和完美的MSS特异性，表明它捕捉到了更具不变性的生物信号。
-
阿里巴巴AI模型在早期结直肠癌检测方面超越放射科医生
阿里巴巴开发的一款人工智能模型能够从CT扫描中检测早期结直肠癌，其准确性高于人类放射科医生。在涉及超过27,000次扫描的临床试验中，该模型显示出86.6%的敏感性和99.8%的特异性。这一进展可能显著改变当前的癌症筛查方案。
-
人工智能工具预测哪些肠癌患者能从NHS药物中获益
研究人员开发了一款人工智能工具，旨在识别最有可能对特定NHS药物产生积极反应的肠癌患者。该技术旨在通过利用智能系统来优化治疗决策，确保患者获得最有效的治疗。目标是通过基于预测分析的个性化治疗方案来改善患者的治疗效果。