多模态解缠变分自编码器与博弈理论解释性在胶质瘤分级中的应用 背景介绍 在中枢神经系统中，胶质瘤是最常见的原发性脑肿瘤。根据细胞活动和侵袭性，世界卫生组织（WHO）将其分为I至IV级，其中I和II级称为低级别胶质瘤（LGG），III和IV级称为高级别胶质瘤（HGG）。在临床实践中，治疗决策通常需要针对不同的肿瘤级别进行个性化调整。因此，准确的胶质瘤分级对于治疗决策、个性化治疗以及患者预后的预测至关重要。目前，胶质瘤分级的金标准仍然是通过手术活检或组织病理学分析。然而，这种方法是侵入性的，并且不具有实时性，可能导致癫痫、感染甚至沿穿刺路线的肿瘤转移。因此，开发一种能够在术前无创且及时诊断胶质瘤级别的分级系统具有重要意义。 磁共振成像（MRI）广泛应用于胶质瘤患者的临床术前诊断、治疗决策和预后评估...

基于图神经网络的肺癌表示学习 背景介绍 随着数字病理学的快速发展，基于图像的诊断系统在精确病理诊断中变得越来越重要。这些系统依赖于用于全切片图像（Whole Slide Images, WSIs）上的多实例学习（Multiple Instance Learning, MIL）技术。然而，如何有效表示WSIs仍然是一个亟需解决的问题。深度神经网络的出现使得视觉计算取得了突破性进展，但面对每个WSI中庞大的像素量，现有的神经网络方法仍面临巨大挑战。近年来，一些研究已经探索了基于图的模型，以期在嵌入和表示WSIs的过程中捕捉图像中的复杂关系。 文章来源 本文的研究由以下作者完成：Rukhma Aftab, Yan Qiang, Juanjuan Zhao, Zia Urrehman和Zijuan ...