The Cancer Genome Atlas
PulseAugur coverage of The Cancer Genome Atlas — every cluster mentioning The Cancer Genome Atlas across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
新框架为边缘部署创建高效的病理模型
研究人员开发了一种名为 MuCoDi 的新预训练框架，用于创建更小、更高效的病理基础模型 (PFM)，适用于边缘部署。该方法使用对比蒸馏目标，将知识从多个大型 PFM 蒸馏到轻量级学生模型（如 MobileOne 和 RepViT）中。生成的 MuCoEdge 模型显著减小了模型尺寸和推理成本，在各种下游分类任务上取得了接近其大型对应模型的性能，并在 Raspberry Pi 5 等设备上展示了实际可用性。
-
EvoXplain框架揭示机器学习模型解释不一致
研究人员开发了EvoXplain，这是一个旨在评估机器学习模型生成解释一致性的新框架。该工具研究不同的训练运行和模型选择过程是否会导致相似的底层逻辑或不同的机制，即使在预测性能很高的情况下也是如此。EvoXplain分析解释本身的结构，而不是聚合的预测，以揭示共识解释可能不反映任何单一训练模型的推理。在使用逻辑回归和梯度提升树对癌症基因组学数据进行的初步评估中发现，尽管准确性保持很高，但在不同的训练管道中，甚至在简单的调优步骤中，解释…
-
新方法推进病理图像分析的持续学习 · 跟踪5个来源
研究人员开发了计算病理学中持续学习的两种新方法，重点关注全切片图像（WSI）的生存分析。第一种方法MergeSurv采用基于合并的框架，其中病理视觉语言基础模型在各个癌症队列上进行微调，并按顺序合并其参数。该方法及其推理策略One-for-All (OFA) 和 Voting-Expert Aggregation (VEA) 在TCGA队列的实验中，表现优于朴素微调和其他持续学习技术，有效缓解了灾难性遗忘。第二种方法将模型合并与测试时…
-
新AI框架利用基因表达数据预测治疗反应
研究人员开发了PREDIKTOR，一个新颖的多视图框架，旨在利用基因表达数据预测患者特异性治疗反应。该框架将个性化基因调控网络与可转移的转录组扰动视图进行对齐。通过采用类似CLIP的对比目标和图神经网络编码器，PREDIKTOR生成嵌入，从而实现端到端的反应分类。该模型在各种数据集上表现优于现有方法，并有望用于可解释的精准肿瘤学。
-
研究论文分析图像变换对潜在空间嵌入的影响
一篇新研究论文探讨了图像变换如何影响用于组织病理学分类的潜在空间表示。研究发现，虽然变换后图像的嵌入比随机嵌入更接近原始嵌入，但它们并非完全不变，这表明变换介导的数据增强确实可以提高性能。研究还指出，通用的图像编码器网络与专门为组织病理学设计的网络之间存在显著差异。
-
人工智能系统利用数字孪生优化临床治疗决策
研究人员开发了一个人工智能系统，该系统利用数字孪生模拟和强化学习来优化治疗反应的临床决策。该系统在历史数据上进行训练，并持续学习，同时一个基于规则的模块通过监测生命体征和阻止禁忌治疗来确保安全性。该人工智能在合成和真实世界卵巢癌数据上进行了验证，与现有的计算方法相比，在推荐治疗方面表现出更优越的有效性和稳定性，同时保持低延迟，并且仅需少数情况下的专家咨询。
-
輸入設計優化可提升大型語言模型在病理學中的性能
一篇新的研究論文表明，看似微小的設計選擇會顯著影響大型語言模型（LLMs）在病理學圖像分析中的性能。通過系統分析圖像塊大小、放大倍率和處理方法等因素，該研究發現優化的配置可以顯著提高LLM的準確性。這項研究表明，先前在通用LLM和專用病理模型之間的比較可能因非理想的輸入設置而誇大了性能差距。
-
新方法学习稀疏化图像令牌以实现高效的 AI 推理
研究人员开发了一种新颖的方法，通过将令牌缩减视为一个可训练的稀疏化问题，来处理视觉语言模型中的 Gigapixel 全切片图像。这种方法在新的 arXiv 论文中有所详述，它允许模型学习视觉令牌的最佳选择策略，这与之前使用非训练下采样或启发式剪枝的方法不同。提出的解耦路由架构和 SparseLearn 组件能够通过剪枝过程进行梯度传播，最终在推理过程中以最小的计算开销将视觉序列缩减为稀疏的 32 个令牌。该技术在 SlideBench…
-
新基准TRAPS评估AI在癌症治疗预测中的应用
研究人员开发了TRAPS，一个用于通路引导的癌症治疗反应建模的新基准。该研究评估了三种具有生物学知识的深度学习架构——BINN、GraphPath和PATH——在来自The Cancer Genome Atlas的五个癌症队列中的表现，共计2,622名患者。结果表明，没有单一架构能在所有预测任务中都表现出色，其中PATH在靶向分子治疗方面表现强劲，BINN在生存预测方面表现强劲，而GraphPath在预测前列腺癌靶向分子治疗方面取得了…
-
BBOmix 基准测试发布，用于生物 AI 超参数调优
研究人员推出了 BBOmix，这是一个新推出的开源表格基准测试，用于无监督生物表征学习中的超参数优化。该基准测试解决了优化深度学习模型（如自编码器）的计算成本问题，这些模型对于分析高维组学数据至关重要。BBOmix 包含在各种架构和多组学数据集上的 105,000 多次评估，旨在为评估优化方法和理解重建损失与下游任务性能之间的关系建立基线。
-
图Mamba框架增强WSI生存分析
研究人员开发了一种名为TopoMamSurv的新型图Mamba生存分析框架，以利用全切片图像（WSIs）改善患者预后评估。该框架通过利用Mamba的线性复杂度来解决Transformer在大规模图结构中的计算瓶颈。它引入了一种新颖的拓扑感知排序策略，以更好地处理Mamba对输入顺序的敏感性，并结合了具有图卷积网络的双向Mamba模块，以增强空间上下文建模。
-
新框架DECAT评估多模态AI的生物学理解能力
研究人员开发了DECAT，一个用于评估肿瘤学多模态AI模型的新框架。这个模型无关的工具有助于确定模型是否学习了真正的生物学模式，还是依赖于与混杂因素的虚假相关性。DECAT分析学习到的表示，并使用零参考度量将预测分为四种诊断场景，在合成和真实患者数据上均被证明有效。
-
GLP-1 药物或可减缓癌症进展，新研究表明
在美国临床肿瘤学会会议上公布的新研究表明，常用于治疗糖尿病和减肥的 GLP-1 药物也可能减缓某些癌症的进展。一项分析了超过 10,000 名患者数据的研究发现，在癌症诊断后服用 GLP-1 受体激动剂的患者，其癌症扩散的风险显著低于服用其他糖尿病药物的患者。尽管这些发现带来了谨慎的乐观，但研究人员强调需要进行进一步的随机对照试验来证实这些效果并理解潜在机制，这可能涉及免疫系统调节或对肿瘤细胞的直接影响。
-
ProtoPathway 整合影像学和基因组学数据以预测癌症生存率
研究人员开发了 ProtoPathway，一个用于预测癌症生存率的新型多模态框架。该框架通过使用具有生物学基础的表示方法，整合了全切片影像学和转录组学数据。ProtoPathway 采用可学习的形态学原型进行图像分析，并使用图神经网络处理基因组学数据，通过跨模态注意力来模拟分子程序与组织形态之间的关系。该系统提供了增强的生物学可解释性并降低了计算成本，在 TCGA 癌症队列上展示了具有竞争力的性能。
-
新的HDMoE框架通过多模态数据增强癌症生存预测能力
研究人员开发了一个名为HDMoE的新框架，以改进多模态癌症生存预测。这种分层解耦-融合专家混合方法旨在更好地整合来自全切片图像和基因组图谱等来源的数据。该框架通过在特征解耦前减少冗余信息，并对模态内部和模态之间的细粒度关系进行建模，从而解决了现有方法的局限性。
-
PPI-Net 模型将蛋白质相互作用与疾病过程联系起来
研究人员开发了 PPI-Net，这是一种新颖的图神经网络，旨在将蛋白质相互作用与功能性疾病过程联系起来。该分层模型整合了蛋白质-蛋白质相互作用网络和通路表示，使用图注意力将基因级信号聚合到更高级别的生物程序中。PPI-Net 在各种癌症类型中表现出强大的预测性能，实现了超过 90% 的平衡准确率，并通过恢复典型的致癌模块为癌症生物学提供了机制性见解。
-
新的贝叶斯树集成模型解决了高维因果生存分析问题
研究人员引入了一种新的贝叶斯树集成模型，用于高维环境下的因果生存分析。该模型利用步高上的马蹄形先验来实现自适应收缩，从而实现灵活的正则化和降噪。开发了一种可逆跳跃吉布斯采样器，将马蹄形先验整合到树集成框架中，模拟结果表明其在各种稀疏度和非线性函数下准确估计处理效应方面非常有效。
-
基础模型在癌症数据全切片图像检索方面显示出适度收益
一项新研究发表在arXiv上，评估了癌症病理数据中十种不同的全切片图像检索流程。研究发现，尽管TITAN基础模型表现最佳，但其与基于块和监督方法相比的优势微乎其微。性能因器官和诊断而异，具有挑战性的亚型准确率较低，这表明基于形态学的检索在临床部署方面存在局限性。
-
基础模型在癌症研究中分类非典型有丝分裂方面显示出潜力
研究人员对深度学习和视觉基础模型进行了分类非典型与正常有丝分裂的基准测试，这是肿瘤恶性程度的关键指标。该研究评估了端到端训练的模型、线性探测和使用 LoRA 进行微调，涵盖了多个数据集，包括新引入的数据集。结果显示，在域内数据上的平均平衡准确率高达 0.81，在域外数据上的平均平衡准确率高达 0.77，证明了迁移学习技术在这一具有挑战性的分类任务中的有效性。
-
ASTRA框架统一病理基础模型以进行癌症识别和定位
研究人员开发了ASTRA，一个旨在统一来自各种病理基础模型的碎片化表示，以形成连贯的幻灯片级别理解的新框架。该系统使用结构化的病理注释（如癌症类型和解剖部位）来语义化这些表示。ASTRA结合了稀疏专家混合上下文化、掩码多模型重建和对比度对齐，在全癌分类和文本引导肿瘤定位方面取得了高精度。