学术背景 在现实世界中，网络数据（如社交网络、引文网络等）通常包含多种类型的节点和边，并且这些网络结构会随着时间的推移而动态变化。为了更好地分析这些复杂的网络，研究者们提出了网络嵌入（network embedding）技术，旨在将网络中的节点和边表示为固定长度的向量，以便于后续的分析任务，如节点分类、链接预测等。然而，传统的网络嵌入模型在处理动态异质网络（dynamic heterogeneous networks）时面临诸多挑战，尤其是如何有效地捕捉网络结构的动态变化和异质性。 近年来，Transformer模型在自然语言处理（NLP）领域取得了显著的成功，但其在网络嵌入中的应用仍处于起步阶段。Transformer模型通过自注意力机制（self-attention）能够捕捉序列数据中的...

用PET影像与临床数据融合的Transformer模型：预测滤泡型淋巴瘤病理分级与预后的一项多中心数字活检研究 学术背景 滤泡型淋巴瘤（Follicular Lymphoma, FL）是西方国家最常见的惰性非霍奇金淋巴瘤，约占新诊断非霍奇金淋巴瘤的30%。根据世界卫生组织（WHO）的分类，滤泡型淋巴瘤分为三个病理等级（1-3级），等级的划分主要依据每高倍视野（High-Power Field, HPF）中的中心母细胞（Centroblasts）数量。然而，3级又进一步细分为3a级和3b级，其中3b级具有更具侵略性的生物学行为，患者预后较差，其治疗策略与弥漫大B细胞淋巴瘤（Diffuse Large B-Cell Lymphoma, DLBCL）相似。相较而言，1-2级患者通常病情进展缓慢，部...