qq_45404805的博客

这篇文章是关于一种新的医学图像分类方法，名为ALFREDO（Active Learning with FeatuRe disEntanglement and DOmain adaptation），它结合了主动学习（Active Learning）和领域适应（Domain Adaptation）技术来提高模型在分布偏移情况下的泛化能力。研究背景与动机：深度神经网络（DNNs）在大量标记数据集上表现出色，但难以将学到的知识泛化到新的领域在现实世界中，重新训练网络以适应新应用的大规模数据集收集是不切实际的。

这篇文章探讨了在数字病理学研究中整合大型语言模型（LLMs）的潜力和挑战，并强调了定制AI工具在提高研究效率和准确性方面的重要性。引言数据科学和人工智能（AI）在过去二十年中改变了数据分析和解释的方式。大型语言模型（LLMs）在处理文本信息方面的能力引起了广泛关注，尤其是在需要专业知识的科学领域。LLMs：填补知识差距LLMs如GPT-3、GPT-4等在自然语言处理方面具有广泛的应用，包括文本生成和复杂问题回答。

这篇文章介绍了Prov-GigaPath，一个基于大规模真实世界数据预训练的全切片数字病理基础模型，它通过创新的GigaPath架构在多种病理学任务上实现了最先进的性能。背景与挑战数字病理学在处理标准千兆像素切片时面临独特的计算挑战，这些切片可能包含数万个图像瓦片。现有的模型通常通过对每个切片的一小部分瓦片进行抽样，从而错过了重要的切片级上下文。Prov-GigaPath模型。

这篇文章介绍了一个名为PanopTILs的全景分割数据集和基于深度学习的MuTILs模型，它们被开发用于提高乳腺癌中肿瘤浸润性淋巴细胞评分的准确性和可解释性。TILs在乳腺癌中的预后和预测价值非常重要，但它们的视觉评估具有主观性。为了提高评估的可重复性，国际免疫肿瘤学工作组最近发布了关于TILs计算评估的建议，这些建议基于视觉评分指南。然而，现有的资源由于缺乏能够实现组织区域和细胞联合全景分割的注释数据集，并没有充分满足这些建议。

这篇文章是关于便携式低场磁共振成像（LF-MRI）在急性中风患者中识别弥散加权成像（DWI）和液体衰减反转恢复（FLAIR）成像不匹配的研究，为未知发病时间的中风患者提供了潜在的溶栓治疗指导。研究的目的是评估LF-MRI是否能够帮助确定那些在时间未知的情况下发病的中风患者是否适合进行溶栓治疗。研究包括71名平均年龄71岁的中风患者，他们在接受最后良好认知的时间（LKW）后24小时内接受了0.064-T的LF-MRI扫描。

该研究开发了一种基于人工智能（AI）的全切片图像（WSI）分析工具，用以评估肿瘤浸润性淋巴细胞（TIL）的空间分布，并将其作为预测非小细胞肺癌（NSCLC）患者对免疫检查点抑制剂（ICI）反应的辅助生物标记。目的：传统的基于TIL的生物标记在预测ICI的疗效方面具有潜力，但由于方法学限制和在WSI上进行TIL分布的空间分析过程繁琐，其临床应用面临挑战。方法：研究者开发了AI驱动的WSI分析器，能够定义三种免疫表型（IPs）：炎症型、免疫排除型和免疫荒漠型。

这篇文章报道了一项II期临床试验，结果显示新辅助Durvalumab联合Tremelimumab治疗相比于Durvalumab单药治疗，在可切除的局部晚期头颈部鳞状细胞癌患者中显著改善了无远处复发生存期，并通过AI分析揭示了治疗对肿瘤微环境和循环免疫细胞的特异性影响。研究团队进行了一项开放标签的II期随机临床试验，以评估术前使用Durvalumab（D）单独或与Tremelimumab（T）联合治疗可切除的局部晚期HNSCC患者的疗效和安全性。

这篇文章讨论了一种基于回归的深度学习方法，用于从病理切片中预测分子生物标志物。研究团队开发并评估了一种自监督的、基于注意力机制的弱监督回归方法，该方法能够直接从11,671张覆盖九种癌症类型的患者图像中预测连续的生物标志物。研究发现，使用回归方法可以显著提高生物标志物预测的准确性，并且与分类方法相比，能够更好地对应于已知的临床相关区域。在结直肠癌患者的大型队列中，基于回归的预测分数比基于分类的分数提供了更高的预后价值。此外，该研究还探讨了如何通过数字病理学分析组织样本来提供有关肿瘤分级、亚型、分期。

这篇文章介绍了一个自动化的端到端深度学习框架，用于从未经染色的病理图像中进行分类和肿瘤定位。研究由Akram Bayat、Connor Anderson和Pratik Shah等人完成，并发表在2021年SPIE医学成像会议的图像处理卷中。背景与挑战：传统的组织病理学图像分析依赖于染色技术，但存在样本量少和染色过程不可逆等挑战。深度学习技术提供了一种计算虚拟染色的方法，以克服这些限制。研究目标：提出一个深度学习框架，能够直接从未经染色的前列腺活检图像（全切片图像，WSI）中自动检测和定位肿瘤。方法。

组织学是分析生物组织结构的基础方法，在病理学和生物医学研究中扮演着关键角色。传统的组织学工作流程依赖于化学染色，这不仅消耗大量化学物质、水资源，而且耗时。深度学习技术的发展为组织学染色过程提供了数字化替代方案，这种技术被称为虚拟染色。虚拟染色通过训练神经网络从未染色的组织图像生成染色图像，或者从一个染色转移到另一个染色。文章强调了虚拟染色的潜力，它可以提供更可持续、快速和成本效益高的组织学分析流程。它还允许从单个组织切片的图像生成多个染色图像的输出，从而实现虚拟多重分析和单细胞分辨率。

这篇文章介绍了一种名为ENLIGHT-DeepPT的深度学习框架，该框架能够通过模拟的转录组学数据预测癌症治疗的反应。首先是DeepPT（一个深度学习模型），可以从染色的肿瘤切片预测全基因组肿瘤mRNA表达；其次是ENLIGHT，利用推断出的表达值预测对靶向和免疫疗法的反应。研究结果表明，DeepPT在16个癌症基因组图谱（The Cancer Genome Atlas, TCGA）的队列测试中成功预测了转录组学，并且能够很好地泛化到两个独立的数据集。

文章主要介绍了一种自动化的异常感知3D分割方法，用于从膝关节磁共振（MR）图像中分割骨骼和软骨，特别关注了不同程度膝关节炎患者的骨骼异常情况。异常检测：使用基于U-Net模型的多步方法，最初用于检测膝关节远端股骨、近端胫骨和髌骨中的异常（如骨髓病变、骨囊肿）。数据提取与下游任务：提取的数据用于涉及个体骨骼和软骨体积以及骨骼异常的语义分割的下游任务。异常感知分割网络。

这篇文章的主要焦点是解决在晚期透明细胞肾细胞癌（aRCC）患者中，如何确定哪些患者可能从免疫检查点阻断（ICB）治疗中获益的问题。研究团队进行了一项全面的多组学映射分析，涉及超过1000名患者的肿瘤组织，目的是在ICB治疗的背景下理解aRCC的免疫微环境。多组学分析：研究者通过对aRCC患者的肿瘤组织进行多组学分析，发现了与免疫反应相关的特定基因和蛋白质的表达模式。HLA分子的特异性：研究指出，具有对肿瘤新抗原具有高特异性的人类白细胞抗原（HLA）等位基因的患者，在接受ICB治疗后，其临床反应更为积极。

这篇文章是关于一种新方法来量化肝内胆管癌（Intrahepatic Cholangiocarcinoma, IHC）的遗传异质性，这种方法被称为“隐藏基因组分类器”（Hidden-Genome Classifier）。研究涉及对1370名患者的回顾性研究，包括IHC、肝外胆管癌（Extrahepatic Cholangiocarcinoma, EHC）、胆囊癌（Gallbladder Cancer, GBC）、肝细胞癌（Hepatocellular Carcinoma, HCC）和双表型肿瘤患者。

这篇文章是关于一种新型的多模态学习框架，即EyeMoS𝑡+，它被设计用于眼科疾病筛查。该框架通过融合来自不同来源的信息来提高诊断的准确性，特别是针对糖尿病视网膜病变（DR）、糖尿病性黄斑水肿（DME）和年龄相关性黄斑变性（AMD）等眼科疾病。多模态学习：EyeMoS𝑡+利用了视网膜眼底图像（Fundus）和光学相干断层扫描（OCT）这两种常见的二维和三维成像技术。不确定性估计。

这篇文章介绍的一种专门为病理学领域设计的，名为PathChat的多模态生成性人工智能(AI)辅助系统。PathChat由一个基础视觉编码器、一个预训练的大型语言模型以及一个多模态投影模块组成，通过在超过456,000条视觉语言指令上的微调来构建。这些指令包括999,202个问答转换，覆盖了多种组织来源和疾病模型的多项选择诊断问题。研究者们比较了PathChat与其他几种多模态视觉语言AI辅助系统以及GPT4V（驱动商业化多模态通用AI助手ChatGPT-4的模型）的性能。

文章介绍了一个名为nuclei.io的数字病理框架，该框架结合了主动学习和实时的人机交互反馈，用于快速创建多样化的数据集和模型。研究通过两项交叉用户研究验证了该框架的有效性，这些研究利用了AI与病理学家之间的协作，包括在子宫内膜活检中识别浆细胞以及在淋巴结中检测结直肠癌转移。在两项研究中，nuclei.io都显著提高了诊断性能。文章详细讨论了人工智能（AI）和机器学习（ML）算法在数字病理学中取得的显著成就，这些成就包括细胞或组织分割、图像分类、患者预后预测以及淋巴结转移识别等。

这篇文章是一项多中心的概念验证研究，探讨了基于深度学习的方法在术中区分原发性中枢神经系统淋巴瘤（PCNSL）与非PCNSL（包括胶质瘤等其他病变）的应用。研究团队开发了一个名为LGNet的深度学习模型，通过分析苏木精-伊红（H&E）染色的冷冻全切片图像，实现了对PCNSL与胶质瘤等病变的精确区分。该模型的性能与不同经验水平的病理学家进行了比较，并尝试了一种人机融合方法，将模型和病理学诊断结合起来。

这篇文章是关于深度主动学习在医学图像分析中的全面综述。随着深度学习在医学图像分析中的广泛应用，对于大规模专家标注的医学图像数据集的需求不断增加。然而，医学图像的标注成本高昂，限制了这一领域的发展。为了降低标注成本，主动学习（Active Learning, AL）选择最具有信息量的样本进行标注，并用尽可能少的标记样本训练高性能模型。文章首先介绍了医学图像分析的背景和重要性，包括医学成像在病变检测、诊断、治疗规划和外科干预中的作用，以及人工智能（AI）在这一领域的成功应用。

这篇文章是发表在《Nature Medicine》上的一项研究，我前两天的推文也推荐过这篇文章，为什么要再次拿出来说呢？因为……我明天有一篇推文就是关于这篇文献的精析。研究团队开发了一个名为HECTOR（histopathology-based endometrial cancer tailored outcome risk）的多模态深度学习预测模型，用于预测子宫内膜癌患者的远处复发风险。

这篇文章介绍了一种用于数字病理学的端到端平台，该平台利用高光谱自荧光显微镜和基于深度学习的虚拟组织学染色技术。研究团队开发了一种定制的高光谱显微镜，用于无损成像未染色组织切片的自荧光。然后，他们训练了一个深度学习模型，使用自荧光生成虚拟的组织学染色，避免了化学染色过程的成本和变异性，并保留了组织样本。通过随机非酒精性脂肪性肝炎（NASH）评分比较研究，展示了虚拟图像在重现真实染色图像中的组织学特征方面具有中等到良好的一致性。

这篇文章的目的是评估人工智能（AI）系统在通过MRI检测前列腺癌方面的性能，并与传统的放射科医生使用前列腺成像-报告和数据系统（PI-RADS 2.1）进行比较。研究团队训练并外部验证了一个AI系统，用于检测Gleason评分2组或更高级别的癌症。研究使用了10207例来自9129名患者的回顾性MRI检查队列。其中，9207例来自荷兰的三个中心（11个地点）的案例用于训练和调整，1000例来自荷兰和挪威的四个中心（12个地点）的案例用于测试。与此同时，

这篇文章是一项关于晚期透明细胞肾细胞癌（aRCC）患者接受免疫检查点阻断（ICB）治疗的多组学研究。研究团队通过综合分析肿瘤的多组学数据，开发了一种新的肿瘤转录组特征，即低人类白细胞抗原（HLA）抗原肽结合特异性（HLAprLOW）的肿瘤特征，这种特征能够预测患者对ICB治疗的临床反应。研究包括了对超过1000名患者的肿瘤转录组数据的分析，并通过单细胞和空间分辨率的验证，揭示了患者特异性的炎症性肿瘤相关巨噬细胞和（前）耗竭的CD8+ T细胞之间的相互作用。

这篇文章是一项关于人类胰腺癌前病变（PanINs）的3D基因组图谱研究。研究团队利用机器学习技术对46个大体正常的人类胰腺样本进行了3D组织学重建，并结合多区域微切割和目标及全外显子测序技术，分析了PanINs的微观解剖结构、细胞特征和体细胞遗传变异。研究发现，每个正常成人胰腺中可能含有数百个PanINs，其中大多数含有致癌的KRAS热点突变。研究还揭示了PanINs具有显著的多灶性和遗传异质性，大多数PanINs起源于具有不同体细胞突变特征的独立克隆。

这篇文章介绍了一种名为"Histomic Prognostic Signature"（HiPS）的新型数字组织形态学生物标志物，用于提高侵袭性乳腺癌预后评估的准确性。背景：乳腺癌是一种异质性疾病，具有不同的生存结果。传统的病理学评估依赖于定性的诺丁汉标准，但这些标准并不考虑肿瘤微环境中的非癌性元素。HiPS开发：研究者使用深度学习技术开发了HiPS，这是一种全面的、可解释的评分系统，用于评估乳腺癌肿瘤微环境形态学对生存风险的影响。HiPS能够量化评估细胞和组织结构，测量上皮、基质、免疫和空间交互特征。

这篇文章提出了一个基于视觉变换器（Vision Transformer）的框架，用于从多模态到单模态的知识转移，以对淋巴瘤亚型进行分类。研究团队指出，确定淋巴瘤亚型对于改善患者治疗和提高生存率至关重要。目前，依赖基因表达技术的金标准诊断方法成本高昂且耗时，而基于IHC（免疫组化）技术的替代诊断方法虽然被世界卫生组织推荐，但准确性仍有待提高。为了解决这些问题，作者提出了一种使用深度学习模型分析全切片图像（Whole Slide Images, WSI）的方法，这提供成本效益高且快速的替代方案。他们。

这篇文章是关于使用人工智能（AI）辅助的数字病理学来评估新辅助Atezolizumab治疗非小细胞肺癌（NSCLC）患者的病理反应。背景病理反应(PathR)是通过组织病理学评估切除的标本来评估新辅助治疗的早期临床终点，可能与长期结果相关。数字病理学可以提高PathR评估的效率和精确度。LCMC3研究评估了新辅助Atezolizumab在可切除NSCLC患者中的使用，并报告了20%的主要病理反应(MPR)率。方法。

这篇文章介绍的一种专门为病理学领域设计的，名为PathChat的多模态生成性人工智能(AI)辅助系统。PathChat由一个基础视觉编码器、一个预训练的大型语言模型以及一个多模态投影模块组成，通过在超过456,000条视觉语言指令上的微调来构建。这些指令包括999,202个问答转换，覆盖了多种组织来源和疾病模型的多项选择诊断问题。研究者们比较了PathChat与其他几种多模态视觉语言AI辅助系统以及GPT4V（驱动商业化多模态通用AI助手ChatGPT-4的模型）的性能。

这篇文章是《The Lancet Oncology》2024年6月的一篇系列论文中的第四篇，专注于低收入和中等收入国家（LMICs）在放射治疗研究方面的挑战和创新机会。背景：癌症是全球主要死因之一，2020年导致996万人死亡，其中71%发生在LMICs。放射治疗是治疗常见癌症的有效且经济的干预手段，但在LMICs的研究和创新面临挑战。LMICs的当前研究状况：全球癌症负担上升，预计到2030年，LMICs将承受近75%的癌症死亡。

这篇文章介绍了一种用于计算病理学领域的视觉-语言基础模型，名为CONCH（Contrastive learning from Captions for Histopathology）。该模型通过使用多样化的组织病理学图像、生物医学文本以及超过117万张图像-标题对，进行任务不可知的预训练。CONCH在14个不同的基准测试中进行了评估，包括图像分类、分割、标题生成以及文本到图像和图像到文本的检索任务，展现出了在组织学图像分类、分割、标题生成以及检索方面的最新性能。

这篇文章是关于一种新型的深度学习辅助监测技术，该技术基于表面增强拉曼光谱（SERS）免疫分析法，用于监测HER2（人表皮生长因子受体2）过度表达的乳腺癌患者接受曲妥珠单抗（Trastuzumab，也称Herceptin®）治疗的效果。曲妥珠单抗是一种靶向HER2的药物治疗，对于转移性乳腺癌非常有效，但一些患者可能对该药物产生抗性，因此监测其疗效至关重要。研究团队开发了一种基于SERS的免疫分析法，通过检测患者尿液中肿瘤衍生的外泌体生物标志物来监测曲妥珠单抗的疗效。

这篇文章是关于使用深度卷积神经网络自动分割经激光间质热疗(LITT)治疗的脑内病变的研究。LITT是一种治疗颅内肿瘤或放射坏死的方法，它允许组织诊断、细胞减量和快速恢复系统治疗。治疗后，消融组织保留在原位，导致特征性的LITT后水肿，这与临床状况暂时恶化有关，并使LITT后反应评估复杂化。训练一个基于nnU-Net的自动分割模型，用于在T1加权图像上自动分割LITT治疗病变的对比增强病变体积(CeLV)。对2015至2023年间在单一中心接受LITT治疗的肿瘤或放射坏死患者进行回顾性。

这篇文章是关于一种名为的创新分类程序的研究，该程序结合了AIEgen荧光染料、深度学习算法和(SAM)，用于精确识别癌细胞。AIEgen-Deep通过显著减少80%-90%的手动注释工作量，展示了在识别癌细胞形态方面的显著准确性，在26,693张八种不同细胞类型的图像上达到了75.9%的准确率。在健康细胞与癌细胞的二元分类中，该模型显示出增强的性能，准确率为88.3%，召回率为79.9%。该模型能有效区分健康细胞（成纤维细胞和白细胞）和不同类型的癌细胞（乳腺癌、膀胱癌和间皮瘤细胞）

这篇文章是关于一项前瞻性、随机对照研究，该研究探讨了深度学习如何协助检测食管癌及其癌前病变。研究由Shao-wei Li等人进行，发表在《》期刊上，于2024年4月17日上线。食管癌是全球第七大常见癌症，食管鳞状细胞癌（ESCC）约占食管癌病例的90%，尤其在亚洲部分地区的发病率更高。早期食管癌在内镜或手术治疗下有较好的5年生存率，但许多患者在症状出现后才发现病情已进展到晚期。因此，提高早期ESCC的检测率是一个挑战。研究者开发了一个基于深度卷积神经网络（CNN）的系统，用于检测食管癌和癌前病变。

这篇文章讨论了在病理学领域应用深度学习技术的最新进展，特别是在弱监督学习框架下对整个切片图像（Whole Slide Images, WSIs）进行分析的研究。文章强调了病理学在现代医学，尤其是癌症治疗中的核心作用，但指出传统的显微镜诊断方法一个世纪以来几乎没有变化。随着数字病理学的出现，通过数字切片扫描仪将玻璃切片数字化，为病理学家提供了一个潜在的新标准，使得计算病理学领域得以发展。文章着重介绍了一种基于多实例学习。

（个人经历打个码，希望大家更多的关注内容）这一页主要介绍自己的社交传媒矩阵，知乎主要分享的是考研期间的笔记，公众号主要分享的是文献相关的资料，B站则是分享一些不方便用文字展示的教程，CSDN则偏向于发布偏技术型的推文。四个平台，基本覆盖科研需要，方便更多的人获取优质资源，快速获取知识。我研究的是AI&鼻咽癌，又因为我是面向临床医生做的报告，所以我先讲临床背景。（经验丰富的老师，看到我的研究方向，应该就能把我培养单位猜出来了，哈哈）

这篇文章是一项关于前列腺癌（Prostate Cancer, PCa）的研究，标题为《》，作者为Xiaojie Bian等人，发表在《Advanced Science》期刊上。研究主要探讨了前列腺癌的异质性，以及肿瘤微环境中肿瘤细胞与基质细胞之间的相互作用。研究背景前列腺癌是全球男性最常见的恶性肿瘤之一，具有高度的异质性。肿瘤微环境中的细胞生态系统复杂，但目前对这种异质性如何被肿瘤和基质细胞塑造的了解还很有限。研究方法：研究者整合了来自前列腺癌患者和健康对照组的单细胞RNA测序、空间转录组学和大量。

这篇文章是关于使用深度学习技术来检测大型不平衡数据库中的MRI图像伪影的研究。文章首先介绍了MRI在诊断和研究神经系统疾病中的重要性，以及图像伪影如何影响MRI的实用性。传统的质量评估依赖于耗时且主观的视觉检查，因此自动化检测方法的需求日益增长。研究者提出了一种基于深度学习（DL）的算法，特别是利用了3D AlexNet网络结构，结合蒙特卡洛（MC）dropout技术来生成概率和不确定性估计，以改进对伪影的检测。概念验证（Stage I）

这篇文章是发表在《Nature Reviews Gastroenterology & Hepatology》上的一篇关于肝癌研究和患者管理中人工智能（AI）应用的综述。作者们讨论了AI在肝癌领域的快速发展以及其在临床实践中的应用潜力。摘要肝癌在全球范围内发病率和死亡率高。AI技术已在某些肿瘤类型（如结直肠癌筛查）中获得批准用于临床。AI能够分析肝癌的组织病理学、放射学和自然语言，并能取代手工任务，获取临床数据中的隐藏信息。然而，对于肝癌，这些应用很少转化为大规模临床试验或临床批准产品。

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。