- 博客(496)
- 收藏
- 关注
RSS订阅原创 MIA发表病理AI模型HistoKernel，通过量化WSI间的分布相似性，实现药物敏感性的预测和生存分析
文章提出了一种创新的全切片图像（WSI）级最大平均差异（MMD）内核——HistoKernel，用于泛癌预测建模，在多个计算病理学任务中展现出优异性能，为该领域研究开辟了新途径。研究背景：计算病理学中，现有聚合技术在处理WSI分析任务时存在局限性，无法有效捕捉WSI中补丁集之间的整体分布差异。本研究旨在引入HistoKernel解决这一问题，推动计算病理学发展。研究方法：使用来自癌症基因组图谱（TCGA）的WSI数据、cBioportal的点突变数据、乳腺浸润性癌患者的药物敏感性数据等多种数据进行实验。
2025-04-09 10:09:48
641
原创 数字病理格式转换｜vsi格式转为tif格式的方法
这个转换工具通过命令行界面（CLI）使用，主要功能是将 Olympus 细胞成像系统生成的VSI格式图像文件转换为通用的TIFF格式图像文件。最近星球里和交流群里，都有人提到vsi格式的转换问题，那么这期推文就介绍一个大概率可行的方法。为什么叫大概率可行呢？因为我用公开数据集测试是没有问题的，但是用星球用户的私有数据集时会卡住，无法筛选生成最后的tif文件，只有各层的文件。上图所示，是我挑选的palne12对应的tif，使用openslide打开后的缩略图。
2025-04-08 19:28:24
959
原创 Nature Communications发表基于组织病理切片的 AI 模型，预测肾癌抗血管生成疗法效果
Histopathology based AI model predicts anti-angiogenic therapy response in renal cancer clinical trial”发表于，开发出一种基于组织病理学的深度学习模型，能从苏木精-伊红（H&E）染色切片预测血管生成评分（Angioscore），有效预测肾细胞癌抗血管生成治疗反应，为精准医疗提供了新方向。研究背景：转移性透明细胞肾细胞癌（ccRCC）治疗手段多样，但缺乏预测治疗反应的生物标志物。
2025-04-08 11:02:35
739
原创 深度挖掘Nature Medicine发表的病理AI基础模型，完成多分类模型的搭建，并进行可视化分析｜项目复现
这段代码定义了一个自定义的数据集类，并使用该类创建了训练集和验证集的数据集对象，同时利用DataLoader对这两个数据集进行封装，以实现批量数据加载。更多内容，请见同名公众号/知识星球。
2025-04-07 09:24:08
897
原创 跟着教程复现了医学AI顶刊，却仍然看不懂代码，不会搭建模型？这期教程解决你的疑问！
本期教程使用的是4种天气图片数据集，名为“Multi - class Weather Dataset for Image Classification”。该数据集涵盖了4种不同的天气情况，分别是日出（sunrise）、晴天（shine）、阴天（cloudy）以及雨天（rain）。所有的图片都统一放置在名为“dataset2”的文件夹当中，并且每张图片的文件名称都清晰标注了其所属的天气类别，通过文件名就可以直接判断出该图片对应的天气类型。PS：数据集链接和源代码我会放在文末，大家付费阅读后即可获取数据！
2025-04-03 10:15:24
711
原创 以Nature子刊发表的这篇医学AI文章为例，分享一下如何深度解读一篇文献
（明天发）。文献速览这篇文章聚焦于此，开发出MSIntuit这一基于AI的临床预筛查工具，为解决难题提供新方向。它借助自监督学习从大量结直肠癌病理图像中提取特征，经多步骤优化，在600例患者独立数据集上完成盲法验证。研究结果显示，MSIntuit性能卓越。在不同扫描仪上表现稳定，敏感性高达0.96 - 0.98，
2025-04-01 21:58:04
1095
原创 这篇病理AI的一区文章，提出了四个全新且完全可解释的定量预后参数，并对比了基础模型的性能｜Cell Reports Medicine
在医学AI领域，肺癌的精准诊疗一直是重点研究方向。这篇文章聚焦于非小细胞肺癌（NSCLC），开发了一个极具潜力的计算病理学平台。它基于大量高质量手动标注数据集，训练出高精度的多类组织分割算法，能精确分析H&E染色的全切片图像，为后续诊断、预后和预测算法的开发奠定了坚实基础。文章着重展示了该平台在两个关键下游应用的成果。一方面，训练并验证了NSCLC亚型分类诊断算法，在多机构、多扫描仪的国际队列中表现出色，准确性高，且优于部分基于基础模型和弱监督的方法。
2025-04-01 11:02:47
1006
原创 Nature发表哈佛团队关于生成式医学模型的最新研究，提倡“AI住院医师”模式
在医学领域，准确解读医学图像并生成报告对患者护理至关重要，但给临床专家带来沉重负担。多模态生成式人工智能（GenMI）为医学图像解读和报告生成带来新机遇，有望实现部分流程自动化。这篇3.26发表于Nature的文章，围绕GenMI在医学报告生成中的应用展开深入探讨，对从事医学AI研究的人员极具参考价值。文章首先阐述GenMI在医学报告生成方面的进展。传统医学报告生成框架多由视觉编码器和语言解码器构成，而基础模型的出现促使新型GenMI解决方案发展。
2025-03-28 10:23:49
784
原创 医学图像领域这么多公开数据集，我们如何在十分钟内彻底分析透彻其中一个，并利用于我们自己项目中？｜个人观点
原始类别 ID原始类别名称合并后类别名称合并后 ID (论文)1other1223epithelial34epithelial35fibroblast46muscle474。
2025-03-28 10:11:23
798
原创 不到300例患者的研究，做了一个放射组学和病理组学的融合框架，就发表在一区｜文献精析
本文旨在通过整合放射学和病理学数据，利用深度学习预测HPV相关口咽鳞状细胞癌（OPSCC）的预后，开发出Swin Transformer 为基础的多模态框架（SMuRF）。研究背景：HPV相关OPSCC发病率上升，现有分期系统虽区分HPV状态但患者仍面临生存挑战，仅依靠分子生物标志物存在局限性，而整合病理学和放射学信息可提供多尺度肿瘤洞察，此前多模态研究在该领域关注较少。
2025-03-28 08:35:44
678
原创 病理切片标签无法提取？临床信息无法获取？这篇文章教你如何一键导出切片标签！
前两天知识星球的服务器出了点问题，导致部分用户的提问无法回答，所以今天才开始陆续处理前几天堆积的问题。星球里有一个用户提出了一个问题，这个问题之前交流群也有人提出过，这次再次有人提出，我就想着写一段代码解决一下。首先声明，。我们先看一下预期效果——。根据我的理解，存在这个问题的人，首先是通过imagescop打开了手里的切片，发现有一个标签。但是，后续，现在想要通过代码批量提取这个标签。我为了节约调试时间，就用了三张切片做了一个测试，连带标签和方法倍率一起节选出来了。
2025-03-27 10:48:53
746
原创 哈佛团队最新研究动态表明，医学AI下一步关注点在于无监督模型以及基因表达数据的利用｜个人观点
文章提出了一种基于转录组学引导的切片表示学习框架TANGLE，利用基因表达数据辅助学习全切片图像（WSI）的切片嵌入，在多下游任务中表现优异，为计算病理学研究提供了新方向。研究背景：自监督学习（SSL）在计算病理学中用于处理千兆像素的全切片图像时存在挑战，如构建切片“视图”计算成本高、学习视觉原语和不变性不明确、切片内异质性导致训练信号不一致等。受多模态视觉语言模型启发，研究团队利用基因表达数据指导切片表示学习。相关工作。
2025-03-25 10:12:54
1023
原创 多模态模型的多组学特征不会融合？这三篇文章能很好的解决你的问题｜文献速递·25-03-24
研究背景与挑战医学图像分割是众多临床应用的前提，但主流方法存在获取高质量标注数据困难、因数字模态差异导致的域转移问题，限制了模型在不同任务和域间的可转移性。视觉基础模型虽在自然图像分割有潜力，但应用于医学图像面临医学与自然图像域差距大、难以自动生成高质量提示辅助分割两大挑战。相关工作预训练基础模型在自然语言处理和计算机视觉领域广泛应用，如BERT、GPT-4、CLIP、GLIP、DINOv2等，为下游任务提供有效参数初始化和特征表示。
2025-03-24 09:55:59
958
原创 一年时间成为一个全网6万+关注量的医学AI科普博主，我经历了很多有趣的事｜个人观点
一直在往前走，很久没有回顾走过的路了，所以这一期推送和大家聊一下我这段时间分享的一些内容。大概也是从去年的这个时候，开始持续输出医学AI的相关的内容，主要是以病理AI为主，偶尔会分享一些影像组学和基因组学的内容。做自媒体的初衷，只是想记录一下自己的学习经历和过程，顺手分享给有需要的人，并没有特别功利的想法。即便现在会偶尔接接推广，但是也不会在交流群内发广告。为了怕大家误以为我是机构，我特意在公众号的主页做了介绍。承蒙各位老师和师兄师姐的喜欢，才让“罗小罗同学”这个IP让越来越多的人了解到。
2025-03-24 08:07:59
593
原创 深度学习模型DeSide，凭借高度拟真的肿瘤基因表达谱，实现患者有效分层
研究背景肿瘤微环境复杂性：实体肿瘤由癌细胞和肿瘤微环境（TME）中的多种细胞组成，TME细胞的存在和数量与患者预后相关，精确评估肿瘤细胞组成对临床治疗意义重大。现有分析方法的局限性：常用的细胞组成分析方法如流式细胞术、单细胞RNA测序（scRNA-seq）和免疫组化存在成本高、细胞类型覆盖有限或提取效率低等问题。批量RNA测序虽具成本效益，但癌细胞基因表达谱（GEP）的高度变异性以及现有计算方法的缺陷，使得准确推断细胞比例面临挑战。DeSide方法DNN架构。
2025-03-23 19:06:48
787
原创 医学领域的deepseek：Med-R1，用强化学习开启医学视觉语言模型推理
Med-R1: Reinforcement Learning for Generalizable Medical Reasoning in Vision-Language Models”提出Med-R1框架，利用强化学习（RL）提升视觉语言模型（VLMs）在医学推理中的泛化性和可信度。研究表明，Med-R1在多模态和跨任务推理上表现优异，为医学VLMs发展开辟新方向。挑战与动机：VLMs在自然场景推理成果显著，但医学影像推理存在困难。
2025-03-22 11:58:50
1319
原创 人工智能在医学图像领域的最新应用进展｜顶刊速递·25-03-20
文章提出了统一半监督主动学习框架UniSAL，用于组织病理图像分类，在减少标注成本的同时能达到与全量标注相当的性能，为数字病理学发展提供了有效方法。研究背景：组织病理图像分类对癌症诊断至关重要，但标注大量图像成本高昂且耗时，现有主动学习方法存在样本选择不合理、未充分利用无标签数据等问题。相关工作：介绍主动学习、半监督学习和对比学习相关方法。主动学习样本选择策略包括基于不确定性、代表性及二者结合的方法；半监督学习分为基于一致性和基于伪标签的方法；对比学习用于特征学习，在相关领域有应用。方法。
2025-03-21 10:53:06
1012
原创 亲测有效，影像组学领域的51个公开数据集汇总，节省大量收集数据的时间
今天这期推送和大家系统梳理一下【影像组学】领域的【51个】重要公开数据集。数据集覆盖肝脏、肺、脑、乳腺等多个器官，涉及肿瘤、心血管疾病、先天性疾病等多种病理类型，并囊括CT、MRI、X光、超声等多样化影像模态，例如肝肿瘤分割基准数据集LiTS、肺结节检测经典数据LUNA16，以及脑肿瘤分割核心BRATS系列，可支持算法开发、临床转化及跨学科研究。
2025-03-19 11:48:00
887
原创 病理AI领域最新EAGLE框架，性能优越，计算效率也大幅提升｜项目解读·25-03-18
A deep learning framework for efficient pathology image analysis”发表于，提出EAGLE（Efficient Approach for Guided Local Examination）深度学习框架，旨在解决当前病理图像分析方法计算效率低等问题，推动人工智能在病理学领域的应用。研究背景。
2025-03-18 09:58:03
803
原创 Nature Medicine复现｜病理AI领域的基础模型不会用？这篇保姆级教程带你掌握数据处理全流程！
计算病理学（CPath）需要对组织图像进行定量评估，以支持病理学诊断。然而，全切片图像（WSIs）的高分辨率和形态特征的变异性使得大规模数据注释变得困难，限制了模型的训练和性能。当前方法通常依赖于从自然图像数据集或公开的组织病理学数据集进行迁移学习，但这些方法在不同组织类型和疾病类别的广泛应用中存在局限性。下载模型权重函数会自动从远程服务器下载 UNI 2-h的预训练权重，保存到本地目录。创建模型实例：加载下载的权重，构建并返回模型对象。获取预处理方法：返回与模型匹配的图像预处理流程（
2025-03-18 08:29:24
924
原创 多模态模型Orpheus，基于病理图像的乳腺癌复发风险智能评估工具｜顶刊解读·25-03-17
文章介绍了一种名为Orpheus的多模态深度学习工具，用于从H&E染色的全切片图像中推断乳腺癌的复发风险评分（RS）。该工具旨在解决现有检测方法成本高、耗时长的问题，为临床决策提供更便捷的解决方案。文章详细描述了Orpheus的开发过程，包括数据收集、模型训练和验证等环节，并展示了其在不同数据集上的表现和临床应用潜力。Orpheus 是一个基于 Transformer 的多模态集成框架，结合H&E染色全切片图像和病理报告文本，用于预测癌症的预后/预测评分（如 Oncotype 评分）。核心功能。
2025-03-17 22:50:38
680
原创 中山六院团队发表可解释多模态融合模型Brim，可以在缺少分子数据时借助病理图像模拟生成伪基因组特征｜顶刊解读·25-02-14
这篇文章介绍了一种名为Brim的可解释多模态融合模型，用于在泛癌种中结合组织学和基因组学数据进行生存预测。背景与动机：癌症的复杂性和异质性导致临床结果难以预测，传统TNM分期系统无法充分考虑肿瘤异质性。人工智能（AI）在癌症研究中取得了显著进展，但多模态数据的缺失限制了其临床应用。模型开发：Brim模型通过结合病理全切片图像（WSIs）和多组学特征（突变状态、拷贝数变异、RNA-seq基因表达）来预测癌症患者的生存风险。模型包括四个主要部分：WSI预处理、病理图像特征模块、分子特征模块和桥接网络。
2025-03-14 22:15:05
1059
原创 解析三级淋巴样结构：从形成机制到临床应用的探索｜文献精读·25-03-14
次级淋巴器官（SLOs），如淋巴结、脾脏及黏膜相关淋巴组织，对于启动和协调免疫反应至关重要。这些器官提供了一个结构化的环境，使免疫细胞能够有效地与抗原相互作用，从而促进适应性免疫反应。三级淋巴结构（TLSs）并非在胚胎发育中预先设定，其在形态和功能上模拟SLOs。在慢性炎症条件下，如癌症，TLSs在非淋巴组织中形成，由B细胞、T细胞、树突状细胞和高度内皮静脉组成。TLSs的形成被认为是由类似于组织SLOs的分子信号所启动，包括淋巴毒素和肿瘤坏死因子（TNF）家族。在肿瘤学领域，
2025-03-14 11:36:19
1048
原创 面向病理AI研究者的数据集汇总与应用指南
TCGA 是一个全面的癌症基因组学数据库，包含了多种癌症类型的基因组、转录组、蛋白质组等多维度数据。这些数据来自大量患者样本，为癌症的分子机制研究、生物标志物发现以及个性化医疗提供了丰富的资源。研究人员可以通过 TCGA 数据了解癌症的遗传变异、基因表达调控、蛋白质合成等多方面信息，进而深入探究癌症的发生、发展和转移机制。
2025-03-14 11:25:52
861
原创 HistGen 助力病理医生，大幅提升报告撰写效率，促进多模态多组学模型开发
HistGen: Histopathology Report Generation via Local-Global Feature Encoding and Cross-modal Context Interaction”提出了HistGen框架用于生成组织病理学报告，通过构建数据集、设计模块和预训练模型，实验证明其在报告生成及相关任务上性能优异，为该领域研究奠定基础。研究背景与挑战：组织病理学在癌症诊断中至关重要，但病理学家撰写报告的工作繁琐且易出错，自动生成报告意义重大。
2025-03-12 09:50:00
861
原创 人工智能在病理组学领域的最新研究进展｜顶刊速递·25-03-12
第一篇文章通过整合三个机构的 6172 例激素受体阳性早期乳腺癌病例数据，开发出多模态深度学习工具 Orpheus，能从 H&E 全切片图像推断 Oncotype DX 复发评分，在识别高风险病例和预测远处转移复发风险方面表现优异，为乳腺癌精准治疗决策提供了新依据 。第二篇文章通过对 435 例来自癌症基因组图谱（TCGA）的结肠腺癌全切片图像进行自监督学习，构建 47 个组织形态表型簇（HPCs），在独立临床试验中验证其可重复性和预测能力，揭示其与患者生存、治疗反应、免疫景观及致癌通路的关系，为结肠癌治疗
2025-03-12 09:38:32
758
原创 MISO 算法：破解多模态空间组学数据，解析组织复杂性｜顶刊精析·25-03-11
Resolving tissue complexity by multimodal spatial omics modeling with MISO”发表于，提出MISO算法，可整合多组学和组织学图像数据，有效识别生物相关空间区域，为多模态空间组学分析提供了有力工具。研究背景：多模态空间组学技术发展，能在组织原位整合多种组学数据，但现有分析方法存在忽视空间信息、只能整合部分模态、需大量超参数调整且对低质量模态敏感等问题，因此需要新方法来整合多样的空间组学实验信息。MISO算法工作流程。
2025-03-12 07:52:48
898
原创 医学AI研究者必看！最新1区期刊解析：这些顶刊你关注了吗？ ｜个人观点
方便大家选择适合自己的投稿期刊。表格速览这份表格汇总了医学、生物学、计算机科学等领域的1区期刊，涵盖肿瘤学、神经科学、胃肠肝病学、人工智能（AI）等多个细分方向。其中，
2025-03-07 10:07:34
769
原创 国自然面上项目｜基于海量多模态影像深度学习的肝癌智能诊断研究｜基金申请·25-03-07
基于影像学的检查已成为临床肝癌诊断的必要手段。然而，回顾性海量多模态影像数据难以有效利用，且肝癌临床诊断严重依赖经验。目前，医学大数据挖掘是临床医学和人工智能交叉领域的前沿热点，为肝癌精准诊疗提供有力支撑。如何实现多模态医学影像关联融合、肿瘤特征提取与表征、以及肿瘤分类是该领域亟需解决的重要科学问题。本项目拟对肝癌智能诊断进行拓展和创新，研究影像的快速配准融合、海量特征筛选、肝癌和影像关联图谱等关键问题，建立以大规模多模态影像深度学习为核心的肝癌智能诊断基础理论和技术体系。
2025-03-07 08:58:16
741
原创 多组学解析：揭秘高风险胃癌前体的 26 基因空间转录组密码｜顶刊解读·25-03-06
文章通过多组学研究，鉴定出26个基因的空间转录组特征，可用于表征高危胃癌前体，为胃癌的预防和生物标志物开发提供了重要依据。研究背景：胃癌是全球癌症相关发病率和死亡率的主要原因，肠道亚型占大多数，遵循Correa级联致癌途径。胃黏膜肠化生（GIM）是重要的癌前病变，其进展为胃癌的风险差异大，识别高风险GIM对早期检测和降低死亡率至关重要，但高低风险病变的生物学差异尚未完全明确。研究方法队列：使用前瞻性队列GAPS，提供详细的组织学评估和表型数据；TCGA - STAD基因组数据集用于分析基因表达；
2025-03-06 10:31:28
1032
原创 Nature Biomedical Engineering上发表的ST-Net，可以从组织图像解析乳腺癌基因表达｜项目解读·25-03-06
Integrating spatial gene expression and breast tumour morphology via deep learning”发表于，通过开发深度学习算法ST-Net，结合空间转录组学和组织学图像，从苏木精 - 伊红染色的组织病理学图像预测局部基因表达，为研究肿瘤异质性和生物标志物提供了新方法。研究背景：基因表达的空间组织和异质性对组织特性有重要影响，但传统转录组分析技术无法捕获高分辨率空间异质性。
2025-03-06 10:25:06
855
原创 国自然青年基金｜基于机器学习的胃癌辅助化疗疗效预测模型建立及实证研究｜基金申请·25-03-05
胃癌是我国发病率和死亡率最高的恶性肿瘤之一。进展期胃癌病人术后常进行辅助化疗，但对部分患者弊大于利，且目前尚无临床可用的辅助化疗疗效预测方式，相关标志物研究未获临床认可，美国临床肿瘤学会将确定受益患者群体列为未来研究重点。化疗机制复杂，单个分子标志难以预测疗效，联合多个标志物或可解决问题，虽已有大量表达谱数据，但传统统计方法难筛选出可靠预测模型。前期申请人用机器学习技术构建了胃癌辅助化疗疗效预测模型。
2025-03-06 09:34:39
1068
原创 弱监督学习模型HistoTME，从组织病理学图像中推断肿瘤微环境组成并预测免疫治疗反应｜顶刊解读·25-03-05
该文章介绍了一种名为HistoTME的弱监督深度学习方法，可从非小细胞肺癌（NSCLC）患者的组织病理学图像推断肿瘤微环境（TME）组成并预测免疫治疗反应，为NSCLC患者的临床管理和个性化免疫肿瘤学提供了有效工具。研究背景：肺癌是全球癌症相关死亡的主要原因，NSCLC是最常见的组织学亚型。免疫检查点抑制剂（ICI）虽改善了晚期NSCLC患者的预后，但许多患者无明显反应。
2025-03-05 09:51:13
864
原创 国自然青年项目｜基于人工智能的先天性心脏病CT影像的自动诊断算法研究｜基金申请·25-03-04
先天性心脏病（先心病）是最常见的出生缺陷，也是婴幼儿死亡或残疾的主要原因之一，严重影响人口素质和生存质量。CT影像是常见的先心病检测方法，但人工诊断耗时长、可重复性差且准确率低。本项目以先心病CT影像为研究对象，基于“深度学习 + 领域知识”思路，将先心病分类转化为精细分割和基于分割特征的自动诊断两个子任务，结合深度学习与传统机器学习方法，应对医学图像数据少、临床诊断可解释性等挑战。研究内容包括构建涵盖16个病种的大规模先心病数据集、设计精细分割算法以及基于分割特征的自动诊断算法。
2025-03-04 10:43:02
742
原创 从组织学到分子标记物，三篇顶刊揭示AI如何重构临床诊断｜顶刊速递·25-03-04
文章提出了一种多尺度多任务建模方法（M3C2），通过联合预测组织学和分子标记物并对其相互作用进行建模，以实现更准确的癌症分类，推动精准肿瘤学发展。研究背景癌症诊断标准已从单纯依赖组织学特征转变为整合分子标记物和组织学特征。数字病理学和深度学习的发展为癌症诊断带来新机遇，但目前仍面临评估分子标记物耗时昂贵、两种诊断流程分离等挑战，现有方法无法同时预测组织学和分子标记物并建模其相互作用。相关工作。
2025-03-04 10:38:20
613
原创 论文插图绘制｜R语言绘制瀑布图，展示高频突变基因在样本中的分布模式｜25-03-04
该代码基于R语言中的maftools包，用于从标准化MAF格式的体细胞突变数据中生成瀑布图（Oncoplot）。瀑布图可直观展示高频突变基因在样本中的分布模式，助力识别潜在驱动基因及样本异质性，适用于癌症基因组学等生信分析场景。代码通过read.maf()解析MAF文件（需包含基因名、突变位点、变异类型等字段），利用oncoplot()函数绘制图表，默认展示突变频率前30的基因，并隐藏样本名称以优化可视化布局。我们可通过调整topfontSize等参数控制显示基因数量及标签大小，输出尺寸通过。
2025-03-04 10:14:32
1166
原创 浙大团队提出神农框架，借助AI从单细胞水平进行抗癌药物的筛选｜顶刊解读·25-03-04
材料与方法部分体现了研究的严谨性与技术创新样本处理与测序流程的标准化确保数据可靠性；多策略恶性细胞鉴定提升结果的可信度；高通量数据与深度学习框架的结合，为精准药物筛选提供技术基础。这些方法不仅支持了“Shennong”框架的开发，也为后续肿瘤异质性研究和临床转化奠定了数据基础。Shennong是一个基于深度学习的单细胞水平药物扰动预测框架，旨在通过整合单细胞转录组数据和大规模药物扰动数据库，实现抗癌药物的计算机模拟筛选。输入（Input）
2025-03-04 08:55:35
958
1
原创 跟着上交团队的研究成果，学习如何从HE图像得到基因表达预测及生存分析的结果｜项目解读·25-03-03
本文提出了一种名为IGI-DL的深度学习系统，旨在通过组织学图像分析肿瘤微环境（TME），以提升癌症预后预测的准确性。该模型整合了卷积神经网络（CNN）和图神经网络（GNN），从组织学图像中同时提取像素强度特征和细胞几何结构信息，预测空间转录组（ST）基因表达，进而构建超级补丁图（super-patch graph）进行生存分析。空间对齐：HE图像分块与空间转录组学检测点坐标匹配，确保多组学数据整合的准确性。质量控制：通过边缘过滤和低质量区域排除，提升特征可靠性。特征工程。
2025-03-03 20:36:58
1062
原创 清华团队提出HistoCell，从组织学图像推断超分辨率细胞空间分布助力癌症研究｜顶刊精析·25-03-02
Systematic inference of super-resolution cell spatial profiles from histology images”发表于，提出了一种名为HistoCell的弱监督深度学习方法，能从组织学图像中推断超分辨率细胞空间分布，为癌症研究提供了有力工具。研究背景：从组织学图像推断细胞空间分布对癌症诊疗意义重大。现有方法存在局限性，如完全监督模型需大量人工标注，基于空间转录组学的方法分辨率和细胞特征挖掘不足。
2025-03-03 20:18:25
1289
2
原创 R包版本管理神器renv详解，官方推荐的环境隔离与依赖管理工具 ｜生信入门·25-03-02
三个函数即可应对99%的场景，且深度集成RStudio（新建项目勾选即可）。无论是安装新包后忘记记录版本，还是误升级导致代码崩溃，都能通过。的精细化管理，可显著提升R项目的可维护性与跨环境一致性，尤其适合企业级数据分析与科研场景。日常使用R时，你是否常因不同项目依赖的R包版本冲突而焦头烂额？如需获取更多生信分析相关的内容，欢迎扫码订阅我的知识星球。时，只需安装一次，硬盘占用减少90%。），专为解决多项目间的包版本冲突问题设计。能直接从缓存快速重建环境，节省等待时间。工具能彻底隔离项目环境，通过。
2025-03-02 11:25:20
671
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