glioblastoma
PulseAugur coverage of glioblastoma — every cluster mentioning glioblastoma across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
病理感知原型蒸馏增强WSI分类
研究人员推出了一种新颖的自监督学习框架TVT-PAPD，旨在改进病理学中全切片图像（WSI）的分类。该框架集成了Tiny Vision Transformer和一个病理感知原型蒸馏模块，该模块使用可学习的原型库来捕获和保留关键组织形态模式。在Cancer Genome Atlas (TCGA) 和 IPD-Brain 数据集上的实验表明，TVT-PAPD在低级别胶质瘤和胶质母细胞瘤分类中取得了高加权F1分数，证明了其有效性和跨队列泛化能力。
-
新的SHIFT模型可从不完整的基因组数据中预测生存期
研究人员开发了一种新颖的、可感知缺失的生存模型SHIFT，旨在从不完整和异构的基因组数据中预测患者生存期。与排除或填补缺失数据的方法不同，SHIFT通过掩码自注意力机制和特征可用性掩码直接利用观察到的输入。该模型在胶质母细胞瘤和肺鳞状细胞癌上进行了评估，即使在存在显著的跨队列面板不匹配的情况下，也表现出强大的泛化能力，并与标准的生存基线相比具有优势。
-
酒庄联合创始人为胶质母细胞瘤患者生活费启动基金
Folded Hills酒庄联合创始人、安海斯-布希家族成员Kim Busch发起了Grapes for Glioblastoma基金，以解决与脑癌相关的、常被忽视的日常生活开销问题。与专注于研究的典型癌症慈善活动不同，该倡议为患者及其护理人员提供旅行、住宿、儿童保育和家居改造等基本费用的经济支持。该基金通过Edward Charles基金会运作，旨在为与胶质母细胞瘤的无形负担作斗争的家庭提供即时、实用的援助。
-
TRACE模型通过概念瓶颈提供可解释的胶质母细胞瘤反应评估
研究人员开发了TRACE，这是一种概念瓶颈模型，用于使用3D MRI扫描进行可解释的纵向胶质母细胞瘤反应评估。与直接预测标签的传统深度学习方法不同，TRACE利用临床上有意义的肿瘤测量作为根概念，并通过确定性规则推导出下游概念，与RANO 2.0标准保持一致。该模型处理配对的基线和随访扫描，并纳入扫描间隔和新病灶信息。在LUMIERE数据集上的交叉验证中，TRACE实现了0.4769的4类宏F1分数和0.7085的二元F1分数，其性能…
-
影像基因组学模型预测胶质母细胞瘤免疫特征
研究人员开发了能够无创预测胶质母细胞瘤特定免疫细胞特征的影像基因组学模型。这些模型利用从MRI扫描中提取的影像组学特征和转录组学数据来识别M0巨噬细胞亚型的免疫特征。该研究涉及来自多个数据集的176名患者，证明了其稳定的性能以及在未来临床试验中对免疫疗法进行患者分层的潜力。
-
LLM 框架 ArgEval 支持可解释、可争议的 AI 决策
研究人员开发了一个名为 ArgEval 的新框架，以提高大型语言模型 (LLM) 所做决策的可解释性和可争议性。与之前关注个体实例的方法不同，ArgEval 通过映射特定任务的决策空间并构建论证框架来评估一般决策选项。这种方法允许为特定案例提供可解释的建议，同时也使用户能够全局地争议和修改潜在的决策逻辑。该框架已被证明可以为胶质母细胞瘤治疗建议提供与临床实践一致的可解释指导。
-
新的多视图VAE框架改进了胶质母细胞瘤MRI放射组学预测
研究人员开发了一种新颖的多视图潜在表示学习框架，使用变分自编码器（VAEs）从MRI扫描中预测胶质母细胞瘤的MGMT启动子甲基化状态。该方法在紧凑的概率潜在空间中保留了特定模态的放射组学结构，同时实现了后期融合。多视图VAE在测试中达到了0.77的AUC，显著优于基线模型，并展示了互补MRI信息的改进集成。
-
AI框架利用荧光寿命成像改进胶质瘤手术导航
研究人员开发了一个以数据为中心的AI框架，以提高荧光寿命成像（FLIm）在指导胶质瘤手术中的准确性。该框架利用置信学习来识别和改进不一致的组织病理学标签，最终创建一个更强大的数据集。通过在此改进的数据上训练模型，他们在肿瘤细胞学分类中达到了96%的准确率，为实时手术边界评估提供了更精确的工具。
-
量子CNN高精度预测胶质母细胞瘤甲基化状态
研究人员开发了一种新颖的量子卷积神经网络（IA-QCNN），旨在预测胶质母细胞瘤患者的MGMT启动子甲基化状态。这种基于量子学的方法利用叠加和纠缠等原理，从高维MRI数据中改进特征学习，克服了经典模型的局限性。IA-QCNN在参数更少、过拟合减少的情况下展现出高精度，并确定T1Gd MRI序列比mpMRI对该预测更具区分度。