non-small-cell lung carcinoma
PulseAugur coverage of non-small-cell lung carcinoma — every cluster mentioning non-small-cell lung carcinoma across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新方法可从 H&E 切片预测分子数据，绕过 RNA 测序
研究人员开发了一种新颖的方法，无需昂贵的 RNA 测序即可从组织病理学图像（特别是 H&E 染色切片）中预测分子信息。通过在组织病理学和 RNA-Seq 的冻结基础模型上训练一个轻量级对齐模块，该系统可以执行开放词汇分子提示。该方法在多癌队列中实现了 25 倍的检索准确率提升，并通过准确预测鳞状细胞癌评分和反映非小细胞肺癌的 PD-L1 表达水平，展示了临床效用。
-
新的深度学习模型改进肺癌肿瘤评分
研究人员开发了一种新颖的基于分布的深度多实例学习（MIL）框架，以提高非小细胞肺癌（NSCLC）中肿瘤比例评分（TPS）的准确性。该方法通过使用两个模型来解决手动标注和专家可用性方面的挑战：一个模型用于从单个图像块中提取组织病理学特征，另一个模型用于聚合这些特征以预测整个切片的TPS概率分布。所提出的方法利用零膨胀Beta（ZIBeta）模型，其性能显著优于传统的回归技术，并提高了预测准确性和可解释性。
-
新的审计方法评估预测模型发布端的风险
研究人员开发了一种新的部署审计方法，用于评估发布预测模型相关的风险，特别是在目标事件的流行度发生变化时。这种考虑了泄露的审计方法专门评估有多少实际带有目标事件的受试者被错误地释放而未被审查。该方法将受试者分为流行度校正、校准和安全评估的角色，从而比标准指标更清晰地展示模型性能。
-
视觉语言模型与解剖结构对齐以进行肺癌分割
研究人员探讨了提示对齐如何影响非小细胞肺癌（NSCLC）肿瘤识别的零样本分割视觉语言模型（VLMs）。他们对VoxTell模型的研究表明，解剖位置是指导模型注意力的主要因素，其重要性远超诊断或人口统计学信息。虽然VoxTell的零样本性能与一些微调模型相当，但研究结果表明，评估VLMs时应考虑它们所对齐的提示维度，而不仅仅是分割准确性。
-
人工智能生成合成PET扫描以改进肺癌组织学分类
研究人员开发了一个新颖的框架，使用3D Pix2Pix生成对抗网络（GAN）从CT数据生成合成PET扫描，用于非小细胞肺癌（NSCLC）组织学分类。这种“虚拟扫描”方法旨在用代谢信息补充解剖CT扫描，解决了传统PET扫描的局限性，如成本和辐射暴露。对714名受试者数据集的实验表明，整合这些合成代谢特征显著提高了分类性能，AUC从0.489提高到0.591，GMean从0.305提高到0.524。
-
处理非小细胞肺癌多模态生存预测中的缺失模态
研究人员开发了一种新颖的多模态深度学习框架，旨在改善非小细胞肺癌（NSCLC）的生存预测。该框架通过利用基础模型进行特征提取和一种缺失感知编码策略，有效处理了临床、放射学和组织病理学模态中的缺失数据。该方法允许对可用数据进行中间融合，优于单模态基线，并在三模态配置下实现了 74.42 的 C 指数。该模型适应不同数据流依赖性的能力以及产生临床意义的风险分层，凸显了其转化潜力。