- 博客(7)
- 收藏
- 关注
RSS订阅原创 Digital profiling of gene expression from histology images with linearized attention-方法（二）
很好，这一段是。我会按来讲：1️⃣ 先翻译关键句2️⃣ 解释（逐步）3️⃣ 用走一遍4️⃣ 给你一个。
2026-03-13 12:19:51
381
原创 Digital profiling of gene expression from histology images with linearized attention-方法（一）
因为普通 Transformer 虽然更聪明，但它的 self-attention 计算：更贵更容易过拟合它保留“上下文建模”的思想，但不用完整两两 attention，而是先做 summary，再把 summary 传给每个 token。也就是：比 MLP 更懂上下文比普通 Transformer 更省、更稳。
2026-03-13 12:15:53
343
原创 Digital profiling of gene expression from histology images with linearized attention-数据来源和预处理
（这些数据来源都在 Methods 部分说明）
2026-03-12 18:34:41
389
原创 hist2RNA An Efficient Deep Learning Architecture to Predict Gene Expression from Breast Cancer His
这篇论文只做乳腺癌，不做泛癌。它预测的不是全转录组，而是 138 个临床相关基因。这些基因来自 PAM50、Oncotype DX 等商业检测。图像先由病理专家手工标注肿瘤区域。每张图切成约 1000 个 224×224 patch。每个 patch 用预训练 CNN 提特征。所有 patch 特征直接平均成一个 slide-level feature。后面接三个 1D 卷积层回归 138 个基因。
2026-03-08 18:56:13
383
原创 A deep learning model to predict RNA-Seq expression of tumours from whole slide images
因为基因被使用时，会先从 DNA 转录出 RNA 作为工作副本。因为模型处理的是 tile，但只有整张 slide 的 RNA 标签，没有 tile-level 真值。
2026-03-08 18:12:56
399
原创 Hash：三道 LeetCode 题的思考记录
利用 Hash 将 O(n²) 优化到 O(n)ComplementGroupingSequence当能快速识别这些模式时，很多题都会变得简单。
2026-03-04 20:48:36
333
原创 从 Two Sum 开始： LeetCode100
Two Sum 其实是很多算法题的原型。很多后续题目都是它的变形，比如：Two Sum IIThree SumFour Sum所以理解这题，其实是在建立Hash 思维的基础。重新刷 Two Sum 的过程让我意识到：算法不是记住解法，而是建立一种思考模式。当看到一个数时，要习惯性问自己：我真正需要找的，是不是？当这种模式形成之后，很多题目就会变得自然很多。有时候回头看最基础的题，反而会有新的理解。这也是刷算法最有意思的地方。
2026-03-04 18:34:11
534
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人