METABRIC
PulseAugur coverage of METABRIC — every cluster mentioning METABRIC across labs, papers, and developer communities, ranked by signal.
-
新的CNQ框架确保生存预测的有效排序
研究人员开发了一个名为 Censored Non-crossing Quantile (CNQ) 的新框架用于生存分析，旨在解决现有方法在处理删失数据方面的局限性。该框架确保估计的分位数曲线在逻辑上保持一致和有序，相比之前的方法有了显著改进。CNQ框架利用了Kolmogorov-Arnold网络和Transformer骨干网络，并在各种模拟设置和真实世界数据集（包括METABRIC和FLCHAIN）中，在pinball损失和区间覆盖率…
-
新基准CoMedBench评估合成医疗数据效用
研究人员推出了CoMedBench，这是一个旨在评估合成医疗数据的保真度和效用的新基准。该基准旨在解决由于隐私法规和其他限制而使用真实患者数据所面临的挑战。CoMedBench评估了跨多个数据集和下游任务的各种数据生成器，并比较了在真实数据与合成数据上训练的模型的性能。
-
新的代理框架使用患者数据预测基因扰动效应
研究人员开发了CASCADE，一个新颖的代理框架，旨在预测基因扰动的下游转录效应。该框架利用预先计算的ARACNe调控网络，并使用来自The Cancer Genome Atlas (TCGA)的患者数据进行验证。初步测试显示，在预测MYC基因敲低对各种癌症类型的效应方面具有高度一致性，优于基线模型。该系统的性能因基因而异，增殖调控基因的预测效果优于谱系身份转录因子。
-
AI引导的空间蛋白质组学识别癌症复发风险微环境
研究人员开发了一种新颖的AI驱动框架，用于分析三阴性乳腺癌（TNBC）的空间蛋白质组学。该方法将AI生成的复发风险热图与质谱数据相结合，以识别肿瘤内不同的分子状态。研究表明，高风险区域与有丝分裂程序相关，而低风险区域与免疫激活相关，突显了显著的瘤内异质性。这种AI引导的方法有潜力改进用于预测癌症复发的多尺度生物标志物的发现。
-
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。
-
新方法发现性能相似但特征各异的模型
研究人员开发了一种新方法，可以识别出在数据集上表现相似但具有不同上下文感知特征的多种模型。在METABRIC数据集上的实验表明，该方法可以在不影响性能的情况下，发现与对照方法相比具有显著不同基因表达的模型。该技术对于分析全局模型特征以深入了解所研究的现象非常有价值。
-
新的Stein-Encoder框架将基因和临床数据分离，用于精准医疗
研究人员开发了一个名为Stein-Encoder的新框架，用于多模态生物医学研究。这个白盒监督编码器旨在将基因信号与临床数据分离，以改进精准医疗应用。通过利用Stein方法和残差化，该框架创建了一个可解释的索引，该索引总结了生物异质性，同时考虑了临床因素，在METABRIC队列上的预测准确性方面优于无监督基准。