hepatocellular carcinoma
PulseAugur coverage of hepatocellular carcinoma — every cluster mentioning hepatocellular carcinoma across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
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。
-
新型大语言模型HCC-STAR，改进癌症治疗建议
研究人员开发了HCC-STAR，一个旨在提高肝细胞癌（HCC）治疗精准度的大语言模型。该模型分析电子病历，提供风险分层、循证治疗建议和个体化生存期估计。在中国多家医院的临床评估中，HCC-STAR在治疗建议和风险分层方面表现优于现有临床指南和其他模型，如GPT-5和Gemini-2.5 Pro。此外，盲评专家认为HCC-STAR的推理值得信赖，并帮助医生做出更快、更准确的决策。
-
AI框架辅助通过组织病理图像诊断肝癌
研究人员开发了一种新颖的框架，利用语义分割从组织病理图像中诊断肝癌。该方法通过分配主导像素级标签来确定图像级诊断，旨在缓解标本变异性和注释噪声带来的挑战。该系统在肝细胞癌、胆管细胞癌和结直肠转移性腺癌数据集上进行了训练，取得了高平衡准确率，显示出支持病理学家和降低诊断成本的潜力。
-
新AI模型BioFact-MoE提升癌症预后
研究人员开发了BioFact-MoE，一个新颖的专家混合（MoE）框架，旨在改进肝细胞癌（HCC）的预后建模。该模型明确区分了肝脏和肿瘤因素，与现有方法相比，能够进行更准确和可解释的生存预测。BioFact-MoE在18个月生存预测中达到了高达75.85%的AUC，并展示了按表型对患者进行分层以及揭示与治疗相关的生存异质性的能力。
-
AI模型合成肝脏MRI肝胆期图像，以更好地检测肝细胞癌
研究人员开发了一种名为三相顺序融合网络（TriPF-Net）的新型深度学习模型，用于合成肝胆期（HBP）肝脏MRI图像。该网络利用了肝胆期前MRI序列的顺序信息，特别是T1加权成像，以及在可用时期的动脉期和静脉期特征。通过模拟造影剂摄取动态并纳入临床变量，TriPF-Net旨在提高肝细胞癌成像的工作流程效率和病灶描绘能力，有可能消除对延迟肝胆期成像的需求。