BriefGPT - AI 论文速递
·
MGCT: 基于综合组织病理学 - 基因组特征的生存结局预测的互相引导的跨模态变换器
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
基于深度学习的计算病理学研究发现，利用全切片图像预测癌症患者预后效果显著。提出了一种基于注意机制的多模态学习框架，可以建模肿瘤微环境内的基因型-表型相互作用。实验结果表明该方法优于现有最先进方法。
🎯
关键要点
-
基于深度学习的计算病理学研究显示，利用全切片图像预测癌症患者预后效果显著。
-
目前大多数预后方法局限于组织病理学或基因组学，降低了预测准确性。
-
提出了一种弱监督、基于注意机制的多模态学习框架——互相引导的跨模态转换器（MGCT）。
-
MGCT可以利用组织学特征和基因组特征建模肿瘤微环境内的基因型-表型相互作用。
-
实验使用来自癌症基因组图谱（TCGA）的近3600个Gigapixel WSIs，结果表明MGCT优于现有最先进方法。
➡️
