oncology
PulseAugur coverage of oncology — every cluster mentioning oncology across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新的多模态基础模型增强了肿瘤学患者表征
研究人员开发了一种名为oFM的多模态基础模型，旨在表征肿瘤学中患者随时间推移的状态。该模型整合了来自超过167万癌症患者的临床数据以及DNA、RNA和H&E病理信息。oFM在预测治疗反应、无进展生存期和总生存期方面表现出显著的改进，在预后基准和比较治疗队列中优于基线特征。此外，一个基于oFM嵌入的框架可以将预测结果与临床相关机制联系起来，有助于临床和药物开发应用。
-
新的去中心化AI框架增强肿瘤学决策支持
研究人员开发了CoMMa，一个专为肿瘤学决策支持设计的去中心化多智能体框架。该系统在分区临床数据上运行，增强了隐私性并实现了专业智能体的微调。CoMMa利用一种贡献感知聚合机制来提供明确的信用分配和可解释的决策路径，在包括北美和东亚的真实世界数据集在内的各种肿瘤学基准测试中表现优于先前的方法。
-
新的眼动数据集旨在提高癌症影像AI的可解释性
研究人员推出GazeXPErT，一个旨在增强肿瘤FDG-PET/CT扫描中AI模型可解释性和赋能性的新数据集。该数据集捕获专家眼动追踪数据，将注视模式与肿瘤检测和测量决策相关联。目标是通过理解人类专家如何视觉处理医学图像，来促进开发更值得信赖和更具交互性的AI诊断工具。初步实验表明，眼动数据可以显著提高AI模型性能并预测专家意图。
-
新的开源Python库可在临床阈值下评估肿瘤学AI模型
新发布的名为oncothresh的开源Python库旨在评估肿瘤学AI模型在特定临床决策阈值下的性能。该工具通过关注患者标记、活检或治疗决策的关键截止点的可靠性，解决了传统指标的局限性。它提供了一个配套的无代码Web仪表板，便于分析，并生成详细报告。该项目目前处于早期v0.1阶段，正在征求用户反馈。
-
新的ELF模型整合了用于精准肿瘤学的多项基础模型
研究人员开发了ELF（Ensemble Learning of Foundation models，基础模型集成学习），这是一种新颖的方法，整合了五个预训练的病理基础模型，为精准肿瘤学创建统一的幻灯片级表示。ELF在20个解剖部位的超过53,000张全幻灯片图像上进行了训练，利用集成学习来捕获单个模型的互补信息。该方法旨在提高下游任务的数据效率，尤其是在数据有限的情况下，例如预测治疗反应。在各种癌症类型的疾病分类、生物标志物检测以及抗…
-
新基础模型DoGMA将生物学原理应用于肿瘤学多组学分析
研究人员推出DoGMA，这是一种新颖的基础模型，专为肿瘤学中的多组学对齐和学习而设计。该模型采用以中心法则为指导的方法，在Transformer-MoE架构内利用定向注意力来模拟生物信息的流动方向。通过掩码分层组学重建进行预训练，进一步增强了其学习生物学上一致的跨组学相互作用的能力。DoGMA在各种下游任务中表现出强大的预测性能，包括癌症表征学习、生存预测和转移预测，凸显了领域特定归纳偏倚在多组学基础模型中的优势。
-
机器学习引领个性化医疗和药物基因组学新时代
机器学习正在通过实现从一刀切方法向个性化、基因型指导护理的转变来彻底改变医学。人工智能驱动的模型可以分析大量的基因组和人群数据，以预测个体对药物的反应，识别不良反应，并定制治疗方案。这项进步已经在精神病学、心脏病学和肿瘤学等领域产生了显著效益，人工智能模型通过医学影像分析和预测性风险评估来改善早期疾病检测。
-
人工智能加速眼部肿瘤筛查，实现更早诊断
人工智能正在加速眼部肿瘤的筛查过程，从而实现更早的诊断和更具针对性的治疗计划。这一进展为保留视力带来了新的希望。
-
OncoSynth框架生成合成肿瘤学数据以改进治疗效果估计
研究人员开发了OncoSynth，一个旨在生成合成肿瘤学患者数据的新机器学习框架。该框架通过保持患者特征、治疗和结果之间的因果关系来解决现有方法的局限性，这对于准确估计治疗效果至关重要。对大型肺癌和乳腺癌队列的评估表明，OncoSynth能够生成高保真度的合成数据，显著提高了群体级别（误差减少高达66%）和患者级别（误差减少高达58%）的治疗效果估计的准确性，从而在数据受限的情况下支持证据生成。
-
玻色量子获超100项应用，创纪录融资
中国量子计算初创公司玻色量子已在包括肿瘤学和脑机接口在内的多个行业中获得超过100项实际应用。该公司已筹集到巨额资金，总计18.4亿元人民币，其中最近的10亿元人民币B轮融资创下了国内量子计算行业的纪录。玻色量子的技术正被应用于蛋白质折叠、药物发现和精确肿瘤边界识别等复杂问题，利用量子原理实现卓越的计算能力。
-
原子事实核查可提高临床医生对LLM肿瘤学推荐的信任度
一项涉及356名临床医生的随机对照试验发现，“原子事实核查”显著提高了临床医生对大型语言模型在肿瘤学决策支持中推荐的信任度。该方法将AI生成的治疗建议分解为可验证的声明，并链接到源指南。使用原子事实核查，表示信任的临床医生比例从26.9%上升到66.5%，其效果远大于传统的透明度方法。
-
研究绘制中医药作为放疗辅助疗法的成熟度图谱
一篇新论文分析了2000年至2025年间关于中医药作为放疗辅助疗法的69,745篇出版物。研究揭示了该领域的一个周期性演变，其特点是研究产出、国际合作和资金的扩张与收缩时期。五个主要的 the matic 轴——癌症类型、支持性护理、临床终点、机制和方法论——表明了对患者福祉和科学严谨性的关注。研究表明，该领域已成熟其当前的研究议程，并可能即将迎来新的发展，同时还注意到持续存在的积极报告偏差。
-
辉瑞CEO押注230亿美元肿瘤学，利用AI攻克癌症
辉瑞CEO Albert Bourla 正领导公司进行重大战略转型，将230亿美元的新冠疫情收益重新分配给肿瘤学研发。此举旨在应对迫在眉睫的专利悬崖和新冠相关收入下降的局面，以确保辉瑞的未来。Bourla 强调了人工智能和机器学习的使用，这些技术加速了 Paxlovid 的开发，并将作为加速癌症研究和实现患者疗效渐进但有影响力改进的关键战略。
-
Google AI通过新研究和工具推进虚拟护理和医学教育 · 追踪8个来源
Google正与Included Health合作，进行一项关于虚拟护理中会话式AI的全国性随机研究，旨在收集其在真实临床环境中表现的严谨证据。此外，Google Research正在探索基于Gemini的LearnLM等AI模型，通过充当个性化导师和提高临床推理能力来加强医学教育。同时，像MedLog这样的标准化日志协议的开发对于跟踪AI在医疗保健中的使用、性能和潜在偏见至关重要，以确保负责任的部署并建立患者和临床医生的信任。