🔥 今日值得一读
仅6.8%阳性也能精准预测！新方法让结直肠癌联合分子表型识别大幅提升
State-Aware Interaction MIL for Rare Joint Molecular Phenotype Prediction in Colorectal Cancer and Lung Adenocarcinoma
👨💼 主理人解读 · 为什么值得关注
针对罕见联合阳性样本，建模生物标志物交互提升病理表型预测，辅助精准诊断。
📖 AI 总结
本文提出一种名为“状态感知交互多实例学习”的弱监督方法，用于从病理图像中预测罕见的联合分子表型。针对现有方法要么独立预测各生物标志物、忽略其组织学表征间交互，要么将联合阳性简化为二分类、混淆双阴性与单阳性状态的问题，该方法保留各标志物特异的组织学表征，建模其相互作用，并对完整的四状态分子构型进行监督。研究在结直肠癌的BRAF+/MSI+和肺腺癌的EGFR+/TP53+联合预测任务上，基于冻结的UNI2-h与CONCH病理基础模型表征进行评估。结果显示，在联合阳性患病率仅6.8%的结直肠癌中，该方法平均精度达0.5566，优于对比方法；在患病率8.6%的肺腺癌中同样取得提升。这表明病理基础模型表征蕴含罕见联合分子表型的预测信息，结构化建模有助于改善预测。
🔑 关键词速览
| State-Aware Interaction MIL | 一种弱监督多实例学习方法，通过保留生物标志物特异性表征并建模其交互，对四状态分子配置进行监督预测。 |
| BRAF+/MSI+ | 结直肠癌中BRAF基因突变与微卫星不稳定性高共存的联合分子表型。 |
| EGFR+/TP53+ | 肺腺癌中EGFR基因突变与TP53基因突变共存的联合分子表型。 |
| UNI2-h | 一种病理基础模型，提供组织病理学图像的特征表征。 |
| CONCH | 一种病理基础模型，用于提取组织病理学图像的表征。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅