50岁以下乳腺癌患者样本少，预后模型难以训练，LSAT-EN把年长患者队列当作源域，在六个组学层上分别调节向源模型系数靠拢的强度，同时用弹性网做变量选择。在TCGA-BRCA数据上，以60岁及以上为源、50岁以下为目标，四年二分类生存预测的AUC为0.819，高于合并建模的0.774、仅用目标队列的0.757、glmtrans的0.728和GAS-EN的0.780。模拟中源目标差异越大、目标训练样本越少，分层借力的优势越明显。
研究团队构建了基于图注意力网络、整合八类分子网络的肿瘤基因组基础模型 MutationProjector，在 30,328 例、10 种实体瘤的基因改变数据上以掩码基因重建进行自监督预训练，随后用随机森林在少量标注队列上迁移学习，在膀胱癌、肺癌、黑色素瘤免疫治疗应答预测中取得 HR 分别为 0.71、0.74、0.59 的生存分层，在顺铂化疗膀胱癌队列中 HR 为 0.43，并通过注意力分析提出 KMT2D 与 SMARCA4-STK11 等新候选标志物。
这篇博士论文整合眼底照相、OCT 与 OCTA 等多模态视网膜影像，构建了一套包含血管分割网络、生物标志物发现流程与多模态融合模型的深度学习框架，用于高精度、稳健且可解释地检测早期青光眼改变，并贡献了包括 GSS-RetVein 在内的多个整理数据集作为跨域验证基准，报告称其在多个公开与临床数据集上优于现有最先进方法，在诊断敏感度与特异度上有明显提升。
已读完全部报道