然而,大多数预后模型局限于组织学或基因组学中的一种,无法将它们整合在一起成为基于图像-组学的预后模型。 2022年8月8日,来自哈佛医学院布莱根妇女医院的Faisal Mahmood团队在Cancer Cell发表了文章Pan-cancer integrative histology-genomic...
2022年8月8日,来自哈佛医学院布莱根妇女医院的Faisal Mahmood团队在Cancer Cell发表了文章Pan-cancer integrative histology-genomic analysis via multimodal deep learning,利用多模态深度学习整合分析了14种癌症的全切片图像和基因图谱数据,该算法通过不同形式来预测好和差的预后效果,基于形态学和分子水平在疾病和患者层面...
2. 研究者们利用模型进行了病人的风险等级划分及生存分析,并和AMIL(仅使用组织学数据)及SNN(仅使用基因组学测序数据)这两种单模态深度学习模型进行了比较,用交叉验证的一致性指数(c-Index)和动态曲线下面积(survival AUC)来评估不同模型的可靠性,并用Kaplan-Meier生存曲线去可视化高低风险患者人群的分级质量。作者...
他们开发了一种基于多模态深度学习的算法,能够从多个数据源中学习预后信息。通过首先为组织学和基因组数据创建单独的模型,他们可以将该技术融合到一个提供关键预后信息的集成实体中。最后,他们通过输入来自14种癌症类型的数据集以及患者组织学和基因组数据来评估该模型的有效性。结果表明,与仅包含单一信息源的模型相比,...
在每个病人的数字化PD-L1免疫组化切片中,作者描述了肿瘤内PD-L1免疫反应性的空间组织。利用这些放射学、组织病理学和基因组学特征,作者开发了一个深度学习模型,其灵感来自一篇描述基于注意力的深度多实例学习的论文。作者的模型使用了 "注意力",这...
在每个病人的数字化PD-L1免疫组化切片中,作者描述了肿瘤内PD-L1免疫反应性的空间组织。利用这些放射学、组织病理学和基因组学特征,作者开发了一个深度学习模型,其灵感来自一篇描述基于注意力的深度多实例学习的论文。作者的模型使用了"注意力",这是一种机器学习技术,使模型能够以不同的权重考虑每个病人的模式,从而...
癌症研究领域的大量工作集中在鉴定和验证能够成为治疗靶点的癌蛋白和非编码RNA上,然而,越来越多的新近研究观察表明,包括启动子、增强子、绝缘子和沉默子在内的能够调控基因组三维结构(3D基因组)进而调控转录景观的非编码顺式调控元件(noncoding cis-regulatory elements, NCREs)同样有望成为癌症治疗靶点。
Cell Press细胞出版社微信公众号对该论文进行了解读,旨在与广大科研人员深入分享该研究成果以及一些未来的展望。 摘要 临床肿瘤学中,用于改进癌症治疗的数据正在快速增长。随着人工智能(AI)领域的进展,目前已有一定的计算基础能够整合和综合这些不断增长的多维数据,从而进行推断模式、预测预后,以改善患者和临床医生的共同...
单细胞测序、空间组学测序和基于深度学习的人工智能等多种新技术应用使得肝癌基础研究领域不断取得突破,相关创新研究日新月异,对肝癌生物学特性更加全面系统的了解有益于带动产学研和临床疗效的一系列突破,成为提高肝癌治疗效果的关键。随着FOLFOX-HAIC、LEAP-002和KEYNOTE-301等多项大规模前瞻性临床研究结果的公布,为...
文章一:Pan-cancer integrative histology-genomic analysis via multimodal deep learning(通过多模态深度学习对泛癌水平上的组织学-基因组学进行整合分析) 这篇文章是由来自哈佛医学院布莱根妇女医院的Faisal Mahmood团队完成。该研究通过整合病理组织学信息和组学信息建立了一个深度学习模型,以期实现弱监督下的癌症自动诊断...