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.
2 天有情绪数据
-
新框架整合病理图像和转录组学数据用于癌症生存预测
研究人员开发了一个名为 AM$^2$ES 的新框架，通过整合组织病理学全切片图像（WSIs）和转录组学数据来预测癌症生存率。该框架通过显式对齐多模态特征并自适应地优先考虑相关的组织尺度，解决了现有方法的局限性。AM$^2$ES 利用 Anchor-driven Multi-modal Fusion 模块进行语义对齐，并利用 Hierarchical Mixture-of-Experts 模块进行判别性区域识别和信息分辨率级别选择。在 …
-
组织病理学AI模型的准确性取决于组织检测方法
一篇新的研究论文探讨了组织病理学伪影检测流程中的初始组织检测步骤如何显著影响基于扩散的模型（diffusion-based models）的准确性。通过在The Cancer Genome Atlas (TCGA) 载玻片上测试不同的组织检测方法，研究人员发现，用一种基于熵（entropy-based）的方法替换标准的Otsu检测方法，可以将假阳性从0.102大幅降低到0.016，而不会影响敏感性。这种改进归因于训练池的构成，特别是排…
-
新框架 FTU-Seek 使用基础模型改进组织单元分割
研究人员开发了 FTU-Seek，一个旨在改进全切片图像中稀疏功能组织单元 (FTU) 分割的新框架。该方法利用 UNI 病理学基础模型的特征来训练一个识别包含 FTU 的组织（如淋巴结构、血管和腺体）的分类器。然后，系统选择具有挑战性的“硬负例”样本来创建高效的训练数据集，在分割任务中表现优于其他采样策略。
-
新的MODIS框架整合多组学数据以用于罕见病研究
研究人员开发了MODIS，一个新颖的半监督框架，旨在整合多组学数据，特别适用于罕见病研究中常见的小型和非配对数据集。该框架通过同时在大型参考数据库和小型目标数据集上进行训练，解决了数据稀缺和类别不平衡等挑战。MODIS结合了变分自编码器、类别分类器和对抗训练的模态分类器，利用正则化相对GAN损失来提高稳定性。在合成数据和TCGA数据库上的验证表明，MODIS具有高预测精度、在有限监督下的鲁棒性以及在类别不平衡情况下的稳定性。
-
新的PANDA框架通过不完整数据增强多模态医学预测
研究人员开发了PANDA，一个新颖的两阶段框架，旨在通过有效利用并非所有受试者都可用的辅助数据来增强多模态医学预测模型。该框架从配对数据中学习共享嵌入，并从辅助模态估计类别原型。然后，它在所有受试者上训练主要模型，将它们与这些固定的原型对齐，即使在推理时辅助数据完全缺失，也能实现有效的信息转移。PANDA已在利用MRI和表格数据进行阿尔茨海默病分类以及从病理切片进行肺癌生存期预测方面取得了改进。
-
新模型从高维、小样本数据中提取信号
研究人员开发了一种从高维、小样本数据中提取信号的新方法，该方法将变量视为代表潜在多元动力学的样本坐标空间中的点。这种方法转置数据，并使用奇异值分解（SVD）和田口（Taguchi）特征选择，通过外推到零样本极限来识别持久分量作为内在信号。该方法已成功应用于由随机耦合强度全局耦合映射生成的合成数据，并随后应用于癌症基因组图谱（TCGA）泛肾脏基因表达数据，从中提取了高维基因表达数据中的相关信号分量。
-
新的PerturbRx框架增强癌症药物反应预测
研究人员开发了PerturbRx，一个旨在改进患者层面癌症治疗-反应预测的新型框架。该方法学习药物治疗引起的潜在分子转移，即使没有治疗后的测量数据。通过将这些学习到的转移与患者和药物表示相结合，PerturbRx在癌症基因组图谱和患者来源的异种移植物基准测试中表现出卓越的预测性能。
-
新的AI方法增强了全切片图像病理报告的分析
研究人员开发了分析病理学中全切片图像（WSIs）的新方法。一种方法将WSI报告生成分解为不同的阶段，使用图约束多实例学习（MIL）来汇总诊断问题，并使用语言模型形成连贯的报告。该方法在外部数据集上显著提高了报告生成分数和器官识别准确性。另一种方法，测试时实例选择（TTIS），提供了一个无需训练的框架，在推理过程中从WSI中选择信息量最大的图像块，从而减少冗余并提高分析鲁棒性，而无需重新训练现有的MIL模型。
-
大语言模型通过新的比较学习框架推进癌症生存预测
研究人员开发了CACSurv，一个利用大语言模型（LLMs）通过患者报告进行癌症生存预测的新颖框架。该方法解决了两个关键挑战：一个公式不匹配问题，其中生存预测需要对患者进行排序而不是独立的回归时间；以及一个监督不匹配问题，其中审查过的患者数据暗示了排序但并非确切的生存时间。CACSurv将问题重新表述为比较推理，预测相对预后排序，并使用一致性对齐的奖励进行监督。该框架在TCGA-SurvReport基准测试上实现了0.722的C指数，…
-
新的门控SRP模块增强了用于病理学的Transformer模型
研究人员开发了门控空间冗余投影（Gated SRP）模块，这是一种旨在提高Transformer模型在计算病理学中性能的新模块。该方法解决了全切片图像中的空间冗余问题，在这种图像中，相似的相邻块会稀释自注意力机制中细微诊断偏差的影响。门控SRP作为一种轻量级的校正模块，可以估计并消除这种冗余，从而提高生存队列分析和分类任务的准确性。
-
基于Transformer的TransNRank模型提高了新抗原预测的准确性
研究人员开发了TransNRank，一个利用Transformer架构进行更准确新抗原预测的新型深度学习框架。该模型通过采用自注意力机制捕捉复杂的特征上下文和面向正样本的训练目标，解决了数据稀缺和类别不平衡等挑战。在NCI、TESLA和HiTIDE数据集上的实验表明，TransNRank在提高新抗原预测的Top 20召回率方面取得了显著进展，同时大幅缩短了训练时间。研究还确定了锚点突变和TCGA表达水平是关键的预测特征。
-
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。
-
新的生存模型验证方法显示出队列依赖的性能
研究人员开发并验证了一种名为drcosarc的方法，这是一种用于离散时间多实例学习生存模型的事后保形包装器。该方法在来自The Cancer Genome Atlas (TCGA)和Clinical Proteomic Tumor Analysis Consortium (CPTAC)的多个队列中进行了测试。评估侧重于反向概率审查加权 (IPCW) 估计和中位数下预测界限 (LPB)，结果显示性能因队列、患者级别单位、估计量和审查假设而异。
-
新的扩散模型增强病理图像分辨率以改善诊断 · 跟踪到2个来源
两篇新的研究论文提出了用于增强病理图像分辨率的先进扩散模型，旨在提高诊断准确性。S$^3$-Diff 利用结构语义协同方法，结合标本感知锚定和结构引导语义调优，以保留关键的病理形态。Morph-ISR 采用形态感知隐式网络，配备自适应核生成器和形态保真先验，以维持细粒度的细胞细节和边界。这两种方法都旨在克服当前超分辨率技术可能导致临床病理学中纹理过度平滑和语义漂移的局限性。
-
新的CIGTSurv框架利用多模态数据增强癌症生存预测
研究人员开发了CIGTSurv，一个整合临床信息、病理图像和基因组数据的新型生存预测框架。该方法通过使用预训练的基础模型将离散且稀疏的临床数据转换为高维标记嵌入，解决了临床数据利用不足的挑战。CIGTSurv采用双层交互机制，包括用于标记级对应关系的局部原型关联模块和用于跨模态一致性的全局特征对齐损失。在五个TCGA癌症队列上的实验表明，CIGTSurv在生存预测方面取得了最先进的性能。
-
新的SAGE框架为病理学中的AI提供语义解释
研究人员开发了SAGE，一个新颖的训练后框架，旨在为计算病理学中使用的基于注意力的多实例学习（ABMIL）模型提供语义、语言基础的解释。与仅提供局部注意力图的现有方法不同，SAGE通过将图像块与组织学概念词典进行评分，并根据模型学习到的注意力聚合这些分数，从而提取全局解释。这种方法可以量化特定概念如何与患者队列的预测风险相关联，其在七个TCGA癌症数据集上使用三个基础模型进行生存预测的应用证明了这一点。
-
新基准OncoTriad-QA测试AI的癌症诊断整合能力
研究人员推出了OncoTriad-QA，这是一个旨在评估大型语言模型（LLM）和视觉语言模型（VLM）在整合多样化患者数据以进行癌症诊断方面能力的新基准。该基准涵盖了来自9000多个癌症病例的放射学、病理学和基因组学信息。为了配合该基准，研究团队还开发了OncoVLM，这是一个多模态模型，与MedGemma-4B等现有模型相比，在整合癌症问答任务上表现出更优的性能。
-
PathSelect框架为视觉-语言模型实现高效的WSI处理
研究人员开发了PathSelect，一个用于高效处理包含数吉像素的整个切片图像（WSIs）与视觉-语言模型的新型框架。该方法将标记剪枝重新构建为序列选择过程，使模型能够自主学习最优路由策略，而不是依赖于静态启发式方法。PathSelect作为主动插件集成到SlideChat基础模型中，冻结幻灯片编码器和大型语言模型，同时引入可微分的Soft Top-K算子和对角线注意力去噪器来管理训练过程中的梯度。在推理时，PathSelect被分离…
-
AI模型可从组织学图像预测结直肠癌生存率
研究人员开发了一种名为INSIGHT的图神经网络，可以直接从结直肠癌的常规组织学图像预测患者的生存率。该模型在TCGA和SURGEN数据集上进行训练，其预后性能优于标准的pTNM分期系统。通过分析空间风险图，INSIGHT识别了关键的组织病理学特征，并将其与分子谱数据相结合，揭示了复杂上皮-免疫相互作用，发现了潜在的治疗脆弱性。
-
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。