TCGA-BRCA
PulseAugur coverage of TCGA-BRCA — every cluster mentioning TCGA-BRCA across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新AI方法利用组织上下文纠正病理图像中的细胞模拟
研究人员开发了一种新颖的方法 Loki-OT，通过整合区域级组织上下文来纠正病理图像中的细胞模拟。该方法利用不平衡最优传输，通过病理 MLLMs 导出的密度先验来指导，将推理从较大的组织区域传播到单个细胞预测。该系统将此上下文信息提炼为一个轻量级 MLP 分类器，与现有的监督分类器相比，在 TCGA-BRCA 队列上显示出更高的准确性，尤其是在具有挑战性的模拟组织中。
-
新的DAIF框架学习多模态学习的最佳数据融合
研究人员开发了DAIF，一种用于多模态监督学习的新型框架，该框架能够自适应地确定如何融合来自不同数据源的信息。与依赖预定义融合架构的现有方法不同，DAIF使用面向数据的方法，包括随机矩阵理论和非参数依赖性度量，来学习最佳融合结构。这种方法使该框架能够更好地利用跨模态依赖性，同时保留模态特定的信号，从而提高下游任务的预测性能。该框架在模拟数据和两个真实世界数据集上进行了评估，证明了其有效性和多功能性。
-
病理基础模型显示出真实信号，但并非均匀的形态学信号
一项新近发表在arXiv上的研究，调查了病理基础模型在组织形态学中识别分子信号的有效性。研究人员发现，尽管这些模型能够以统计学上的显著性预测基因表达分数，但信号并非完全来源于形态学。研究强调，可解释的细胞计数特征与嵌入特征的信息量几乎相当，而某些模型中使用的几何机制对预测能力的贡献微乎其微。
-
机器学习模型用于基于多组学数据的乳腺癌预测进行基准测试
研究人员使用多组学数据对几种机器学习模型进行基准测试，以预测乳腺癌的雌激素受体（ER）状态。研究发现，RNA表达数据提供了最强的预测信号，多组学整合提供了适度但持续的改进。在测试的模型中，当整合转录组学、基因组学和蛋白质组学数据时，随机森林（Random Forest）表现最佳，实现了90.3%的平衡准确率和97.1%的ROC-AUC。模型还强调了ESR1和PGR等基因的重要性，进一步证实了它们在ER状态预测中的生物学相关性。
-
新的CGRL框架增强了病理学中的全切片图像分类
研究人员开发了一个名为CGRL的新框架，用于改进计算病理学中的全切片图像分类。该方法使用从疾病提示派生的类别级概念原型来指导过程。CGRL首先通过对其与概念的相似性进行排名来修剪图像块，仅保留最相关的图像块进行分析。然后，它采用概念引导的对比表示学习来优化图像块嵌入，从而提高准确性并降低计算成本。
-
新的PPLS框架提供校准不确定性和改进的准确性
研究人员开发了一个新的概率偏最小二乘（PPLS）框架，解决了现有拟合流程中的实际限制。该框架结合了噪声预估、约束似然优化和预测校准，提供了一个端到端的解决方案。该方法利用精确的Stiefel流形优化和噪声子空间估计，在包括多组学数据集在内的各种基准测试中实现了更高的准确性和校准不确定性。
-
研究发现特征维度比模型复杂度对乳腺癌分类更关键
一项发表在arXiv上的新研究，利用TCGA-BRCA的基因表达数据评估了用于分类乳腺癌亚型的机器学习模型。研究发现，特征维度对分类性能有显著影响，其重要性常常超过模型复杂度。逻辑回归在包括罕见类别在内的所有亚型中表现出最均衡的性能，而随机森林和SVM对特征选择和维度敏感度各不相同。
-
SCOUT transformer 从全切片图像生成概念导向的病理报告
研究人员开发了SCOUT，一个新颖的多模态Transformer框架，旨在从全切片图像生成概念导向的病理报告。该方法整合了局部组织学模式、全切片上下文和专家精心策划的语义描述符，以确保临床准确性和连贯性。在报告生成方面，SCOUT在多个数据集上的BLEU和METEOR指标上均优于WSI-Caption和HistGen等现有方法。
-
深度学习从病理图像预测乳腺癌亚型
研究人员开发了一个新的深度学习框架，使用组织病理学图像对乳腺癌亚型进行分类，有可能减少对昂贵分子检测的需求。该方法采用多目标斑块选择策略，结合遗传算法和不确定性估计，以识别用于分类的信息性图像斑块。该方法在内部和外部数据集上均取得了较高的F1分数和AUC值，证明了其通过提供计算效率高、基于成像的替代方案来支持临床决策的潜力。