小罗碎碎念
文献速递这个想法,从2024-05-15提出,到如今,马上就半个月了,所以我决定来写一个月底特刊。
为了尽可能多的吸引到老师和同学的关注,所以我选择的文章并不全是我自己课题相关的,但是,基本都是5月最新发表的。我知道你们忙,没有时间看,我不怕麻烦,所以你们只需要点个关注,就能看到最新的文献,何乐而不为之呢?如果要是怕错过推文的提醒,也可以加群,每天我都会把推文转发到群里。
交流群
欢迎大家来到【医学AI】交流群,本群设立的初衷是提供交流平台,方便大家后续课题合作。
一、推荐你用思维导图
为了保证你尽可能的发掘每一篇推文的价值,强烈建议你把思维导图用上,当你设计课题的时候,就会发现这个习惯会让你受益匪浅。
我这里只是抛砖引玉,因为每个人的关注点不一样,也许你还能创造更高效的总结方式,欢迎后台私信交流。
二、如何挑选适合自己项目的代码?
在写这篇总结的时候,我就在想,要不要每天都简单的分析一个项目呢?毕竟这几十篇文章里,有很多的代码都是开源的,我可以挑一部分进行讲解。
说实话,之前这半个月,我都没有考虑到代码的事情,也没有去收集论文中的开源代码,我觉得这是一种损失,所以也就趁着这个机会,挨个又把之前的文章找出来,一篇一篇的去查阅。
PS:以后我还是分摊到每天的推文中,这一下子统一集中补充,我太难受了,所以先补四天的,后面的慢慢补吧。
24-05-15
文献速递
为了方便大家阅读,附上推文链接。
GitHub|病理图像预处理
该项目包含各种使用 Python 研究图像预处理
的文件,目的是使用深度学习对整张切片图像进行组织病理学图像分类。
GitHub|用于甲状腺扫描的全自主机器人超声系统
A Fully Autonomous Robotic Ultrasound System for Thyroid Scanning
目前的甲状腺超声检查在很大程度上依赖超声技师的经验和技能以及放射科医生的专业知识,检查过程耗费体力和认知能力。
在本文中,我们报告了一种新型的全自动机器人超声系统(FARUS),它能够在没有人类辅助的情况下扫描甲状腺区域并识别恶性结节。在该系统中,人类骨骼点识别、强化学习和力反馈被用来解决定位甲状腺目标的困难。超声探头的方向通过贝叶斯优化进行动态调整。
在志愿者身上进行的实验结果表明,FARUS 可以进行高质量的超声扫描,接近临床医生的手动扫描,可以检测到甲状腺结节,并为 ACR TI-RADS 计算提供结节特征数据。
GitHub|人工智能(AI)解读心脏磁共振成像(CMR)
这篇文章是发表在《Nature Medicine》上的一项研究,旨在开发并验证一种利用人工智能(AI)来解读心脏磁共振成像(CMR)的方法,以用于心血管疾病(CVD)的筛查和诊断。
24-05-16
文献速递
为了方便大家阅读,附上推文链接。
【医学AI·最新研究】哈佛医学院·告别切片局限:3D病理如何革新癌症预后
GitHub|
年龄
对子宫内膜癌
女性患者肿瘤学结果的预后影响和因果关系
这篇文章是一项发表在《柳叶刀·肿瘤学》(Lancet Oncology
)上的多方法分析研究,探讨了年龄
对子宫内膜癌
女性患者肿瘤学结果的预后影响和因果关系。
研究使用了来自三个大型随机试验
(PORTEC-1、PORTEC-2和PORTEC-3)的1801名
女性的数据分析,包括中风险、高中间风险和高风险子宫内膜癌患者。研究目的是要解决老年女性是否因年龄本身而具有更高的复发风险和癌症相关死亡风险,还是由于随着年龄增长其他风险因素变得更加普遍的问题。
研究方法包括统计分析和因果推断,使用了一种称为AutoCI
的深度学习因果推断模型。研究发现,随着年龄的增长,总体复发和子宫内膜癌特异性死亡的风险显著增加。老年女性更频繁地出现深肌层侵袭
、浆液性肿瘤组织学类型和p53异常肿瘤。年龄被确定为总体复发(风险比[HR]每年1.02,95% CI 1.01–1.04;p=0.0012)和子宫内膜癌特异性死亡(HR每年1.03,1.01–1.05;p=0.0012)的独立风险因素,并且被识别为一个显著的因果变量。
GitHub|3D病理
TriPath 是一种基于深度学习的计算管道,用于容积图像分析,可根据三维形态特征对患者预后进行弱监督,而无需病理学家手动注释。随着研究人员和临床医生对三维空间生物学和病理学技术的快速增长和采用,MAMBA 为临床决策支持的三维弱监督学习提供了一个通用而高效的框架,并为预后和治疗反应揭示了新的三维形态学生物标记和见解。
GitHub|单细胞分析软件包
SpatialCells 是一款开源软件包,旨在利用多重单细胞数据对肿瘤微环境进行基于区域的探索性分析和特征描述。该软件包使用 Anndata 框架,是 MCMICRO 和 SCIMAP 等现有单细胞分析软件包的补充。
特别是,SpatialCells 可以高效地分析由数百万个细胞组成的样本,无需人工标注,并自动提取细胞区域的定量特征,从而进行后续关联分析和大规模机器学习预测。
GitHub|使用原发性癌症和正常组织数据生成合成
转移性癌症表达谱
该文献介绍了一种新型深度学习模型MetGen
,旨在使用原发性癌症和正常组织数据生成合成转移性癌症表达谱
。
转移,即癌细胞的扩散,是癌症相关死亡的主要原因,由于数据可用性有限,研究转移性癌症带来了挑战。MetGen
旨在通过生成与真实数据相当的样本来解决这个问题,从而在癌症和组织分类方面实现高性能。
该模型优于传统的生成模型,并展示了可解释性,突出了癌症生物学中的相关特征。MetGen
的开发代表了在理解转移性癌症生物学和确定潜在治疗靶点方面的重大进展。
24-05-17
文献速递
为了方便大家阅读,附上推文链接。
AI&免疫治疗速览|AI&肿瘤浸润性淋巴细胞成为NSCLC患者的新希望;AI预测个性化T细胞受体,加速肿瘤免疫治疗进程……
GitHub|可视化工具包
tf-keras-vis 是一个可视化工具包,用于调试 Tensorflow2.0+ 中的 tf.keras.Model。目前支持的可视化方法包括:
- 特征可视化
- 类激活图
- 显著性地图
GitHub|筛选出对区分恶性和正常个体细胞贡献最大的基因对
PCASA(癌症相关表面抗原组合优先化)是一种利用单细胞 RNA-seq 数据对恶性和非恶性细胞进行分类,从而预测表面抗原最佳基因组合靶点的工具。
研究的核心挑战在于识别最佳的肿瘤相关靶抗原,以便在具有肿瘤内异质性的肿瘤中区分癌细胞和正常组织细胞。研究者构建了一个单细胞表达图谱,整合了来自412个肿瘤和12个正常器官的约140万个肿瘤细胞、肿瘤浸润的正常细胞和参照正常细胞的表达数据。
为了筛选出对区分恶性和正常个体细胞贡献最大的基因对,研究者使用了随机森林
(random forest)和卷积神经网络
(convolutional neural networks, CNNs)的两步筛选方法。基于这些基因对在单细胞水平上的组合表达模式,评估了肿瘤覆盖率和特异性,以及AND、OR和NOT逻辑门。
GitHub|核分割模型
该资源库包括使用所有公开数据和 IMAXT 数据训练的 StarDist [1,2] 和 Cellpose [3] 核分割模型。
24-05-18
文献速递
为了方便大家阅读,附上推文链接。
GitHub|在高倍镜下同时分析超过45个标记物的组织切片
HIFI技术能够克服现有高维成像技术的局限性,并解决肿瘤内部异质性在大范围病变区域上的空间评估问题。该技术允许在高倍镜下同时分析超过45个标记物的脆弱组织切片,并且具有成本效益高、高通量的特点。
GitHub|预测
双重免疫检查点阻断疗法
的机器学习模型
这篇文章是一项关于双重免疫检查点阻断疗法
(Dual Blocker Therapy, DBT)的研究,主要探讨了DBT治疗后血浆蛋白质组
的变化,以及如何利用这些变化来监测治疗反应。DBT是一种结合了抗PD-1和抗CTLA-4免疫检查点抑制剂的治疗方法,已被证明比单一疗法具有更好的抗肿瘤效果。然而,目前缺乏有效的生物标志物来监测治疗反应。
研究收集了22名
接受DBT治疗的患者的113个
血浆样本,并进行了纵向蛋白质组分析
。结果显示,在第一轮DBT治疗后,免疫反应和胆固醇代谢上调。特别地,在疾病无进展组(Disease Nonprogressive, DNP)中,胆固醇代谢在治疗期间被激活。临床指标如前白蛋白(Prealbumin, PA)、游离三碘甲状腺原氨酸(Free Triiodothyronine, FT3)和三碘甲状腺原氨酸(Triiodothyronine, T3)与胆固醇代谢显著正相关。
研究还发现,在DNP组中,高密度脂蛋白(HDL)的部分重塑被激活,并且识别了一个反映DBT反应的候选生物标志物APOC3。研究者建立了一个机器学习模型来预测DBT的治疗反应,并通过独立队列验证了模型的性能,准确率达到了0.96。