为提高癌症预后预测的精确性，近期研究越来越关注通过整合基因组数据与组织学图像开展多模态生存分析的方法。然而，现有方法忽视了这样一个事实：蛋白质组充当连接基因组改变与组织病理学特征的中间层，同时提供生存预测所必需的互补生物学信息。这一生物学事实揭示了另一项架构局限：现有整合分析研究以扁平方式融合这些异质数据源，未能捕捉其内在的生物学层级关系。为解决这些局限，我们提出了 HFGPI，这是一种从系统生物学视角对从基因到蛋白质再到组织学图像的生
0 数据 · 0 代码
正在整理你的探索空间…
沿着研究问题，探索论文、公开数据与参考代码。
从研究方向进入，也可以直接查找你关心的方法与数据。
按库中记录的发表来源统计，每篇文献仅计一次；预印本、会议及未标注来源分别标识。
点击分类下钻。文献可属于多个方向，分类数量不作总量相加。
为提高癌症预后预测的精确性，近期研究越来越关注通过整合基因组数据与组织学图像开展多模态生存分析的方法。然而，现有方法忽视了这样一个事实：蛋白质组充当连接基因组改变与组织病理学特征的中间层，同时提供生存预测所必需的互补生物学信息。这一生物学事实揭示了另一项架构局限：现有整合分析研究以扁平方式融合这些异质数据源，未能捕捉其内在的生物学层级关系。为解决这些局限，我们提出了 HFGPI，这是一种从系统生物学视角对从基因到蛋白质再到组织学图像的生
智能体人工智能（AI）系统正以智能计算专家团队的形式涌现，能够在文献综述、假设提出、数据分析和模型解释等劳动密集型任务中达到可与人类媲美的表现。这些系统通过基于情境信息和专家反馈作出自主决策，有望加速劳动密集型生物医学研究。目前已针对药物发现、数据分析和生物标志物识别等多种应用开发了智能体AI系统；然而，要使这些系统能够在生物医学研究中广泛部署，仍面临若干不同的挑战。本文讨论了有助于开发智能体AI系统的三种关键算法和七项基础构成特性。我
智能体人工智能标志着从大语言模型向自主、目标驱动的临床助手的转变。本报告提出的框架概述了其在放射学工作流程中的实施，并探讨了网络安全、偏倚和问责方面的挑战。
空间蛋白质组学能够对蛋白质表达进行高分辨率空间绘图，并可革新我们对生物学和疾病的理解。然而，其临床转化仍面临成本、复杂性和可扩展性等重大挑战。在此，我们提出 H&E to protein expression（HEX），这是一种旨在通过计算从标准组织病理学切片生成空间蛋白质组学图谱的人工智能模型。HEX 使用来自 382 份肿瘤样本、具有匹配蛋白质表达数据的 819,000 个组织病理学图像块进行训练和验证，能够准确预测涵盖免疫、结构和
空间转录组学（ST）检测正在改变我们对肿瘤异质性的认识，但其高昂成本限制了它在大规模生物标志物发现中的应用。在此，我们提出Path2Space，一种直接从组织病理学切片预测空间基因表达的深度学习模型。经过大量乳腺癌ST数据训练，Path2Space能够稳健地预测数千个基因的空间表达，性能优于21种已有方法。通过绘制癌症基因组图谱（TCGA）中976个乳腺癌肿瘤的肿瘤微环境（TME），该模型准确推断了细胞类型丰度，并识别出三个按空间特征定
罕见病影响着全球超过3亿人¹–³，但及时、准确的诊断仍是一项亟待解决的挑战¹,³–⁵。患者常常经历超过5年的漫长“诊断之旅”，其间反复转诊、遭遇误诊并接受不必要的干预，导致治疗延误以及沉重的情绪和经济负担⁴,⁵。在此，我们介绍DeepRare——一个由大语言模型驱动、用于罕见病鉴别诊断决策支持的多智能体系统⁶–⁸，整合了40多种专用工具及最新知识来源。DeepRare处理异构临床输入，包括自由文本描述、结构化的人类表型本体术语和遗传检测
自2022年以来，人工智能（AI）方法已取得进展，远远超越其原有的数据分类和预测能力。大型语言模型（LLM）能够进行逻辑推理，从而规划和统筹复杂的工作流程。凭借这种规划能力，并具备对所处环境采取行动的能力，LLM可以充当智能体。智能体是能够感知、学习并对其环境采取行动的（半）自主系统。因此，它们能够与外部知识或外部软件交互，并在极少或无需人工输入的情况下执行一系列任务。在癌症研究和肿瘤学领域，证明AI智能体能力的证据正在迅速涌现。从自主
背景：肿瘤病理学反应和肿瘤微环境（TME）的变化可预测免疫检查点抑制剂的治疗结局，但在罕见肿瘤中尚缺乏充分研究。我们探讨了人工智能（AI）驱动的治疗前和治疗期间活检分析能否为帕博利珠单抗的治疗结局提供参考。 方法：我们评估了一项帕博利珠单抗II期试验中84例罕见肿瘤患者（10个队列）的256份基线活检和248份治疗期间活检。使用基于深度学习的分析工具（Lunit SCOPE IO），在苏木精-伊红（H&E）染色切片上评估肿瘤内肿瘤浸润淋
人们日益期待自主智能体能够支持端到端的医学人工智能研究工作流，超越孤立的预测任务或简短的临床问答。然而，现有医学智能体基准主要评估最终输出，对智能体在研究过程中的行为提供的可见性有限。在长程工作流中，这种仅关注最终输出的视角已不够充分：智能体必须在多轮交互中保持上下文，而失败可能出现在工作流的不同阶段，并在最终被压缩为单一总评分之前不断累积。为弥补这一不足，我们提出了AUTOMEDBENCH，这是一个面向自主医学人工智能研究、涵盖多种医
Baichuan-M4是百川智能的临床级医学大语言模型，专为医师监督下的连续照护而设计，而非用于单轮医学问答。它是一个围绕三大支柱构建的协同医学智能体系统：Baichuan-Harness，一个统一的运行时，在保持强化学习训练与真实世界部署一致的同时，落实动作约束、工具使用、长期患者记忆和多智能体协调；一个核心推理模型，采用面向连续照护的强化学习框架训练，该框架整合了片段级奖励建模（SPAR++）、推理路径压缩、课程学习和稳定化策略优化
视觉空间智能对医学图像解读至关重要，但针对三维成像的多模态大语言模型（MLLMs）在这方面仍在很大程度上未得到探索。这一空白持续存在，是因为相关数据集普遍缺乏超出基本标签的结构化三维空间标注。在本研究中，我们引入了一条智能体流水线，通过统筹体积和距离计算器等计算工具、多智能体协作以及放射科专家验证，自主合成空间视觉问答（VQA）数据。我们提出了SpatialMed，这是首个用于评估医学多模态大语言模型三维空间智能的综合基准，包含覆盖多种
人工智能的快速发展为分析不同生物医学成像模态提供了创新解决方案。通过利用各模态的互补信息，多模态人工智能解决方案已展现出超越人类能力并推动生物成像进步的巨大潜力。与此同时，新的基础模型和基于Transformer的架构如今有望应对该领域尚未解决的挑战。本综述旨在探讨和讨论应用于多模态生物医学成像的前沿人工智能技术，介绍关键挑战和未来方向。我们讨论了用于整合多种生物医学成像数据类型的若干整合策略。我们还重点介绍了克服数据质量、模型可解释性
肿瘤微环境（TME）对疾病进展和治疗耐药的形成具有关键影响。然而，对其空间结构的全面理解仍未实现，临床转化也面临挑战。在此，我们提出由细胞结构和邻域信息指导的人工智能驱动虚拟空间分析平台（CANVAS），这是一个从苏木精和伊红（H&E）染色组织病理图像中推断肿瘤生态生境的人工智能平台。基于对457例非小细胞肺癌患者开展41重空间蛋白质组学分析所构建的、包含超过1800万个细胞的图谱，CANVAS建立了10种可重复识别的细胞邻域（CN），
用于医学影像解读的“黑箱”深度学习模型限制了临床信任的建立和对性能下降的分析。在此，我们介绍用于可审计放射学的概念级嵌入模型（Concept-Level Embeddings for Auditable Radiology，CLEAR），这是一种基于临床概念的可审计基础模型。CLEAR 使用来自 239,391 名患者的超过 87 万个图像—报告配对进行训练，学习视觉表征，并将胸部 X 线图像投射到由大语言模型嵌入定义的语义丰富的空间中
摘要待补充。可查看原文入口及已收录的相关资源。
基于图像的机器学习工具是分析医学图像的强大资源，其中，基于深度学习的语义分割常用于对图像中可见的结构进行空间定量分析。然而，数据集生成和分割算法训练需要高级编程技能及复杂工作流程，限制了这些工具对缺乏编程经验的科学家的可及性。在此，我们提供了使用CODAvision算法、在图形用户界面引导下实现医学图像自动分割的逐步操作说明。该工作流程使用户无需丰富的编程经验即可训练高度可定制的深度学习模型，从而简化了显微解剖结构的语义分割过程。本方案
近期，基础模型和智能体推动的人工智能突破加速了计算病理学的发展。学术界报告了在基准数据集上开展诊断、预后和治疗反应等预测任务时取得的性能提升，激发了人们对临床应用的极大热情。尽管发展势头强劲，现实世界中的应用仍然滞后，因为实施面临经济、技术和行政管理方面的挑战。在现有关于技术架构和性能比较的讨论之外，本综述将可落地的临床相关性与下游分析能力及其技术成熟度、运行准备程度，以及经济和监管背景相联系，探讨如何负责任地将这些新兴人工智能系统整合
计算病理学的近期进展促成了众多基础模型的出现。这些模型通常依赖通用编码器结合多实例学习进行全切片图像（WSI）分类，或采用多模态方法直接根据图像生成报告。然而，这些模型无法模拟病理学家的诊断方式：病理学家会先在低倍镜下系统地检查切片以获得整体认识，再逐步放大可疑区域，从而形成全面诊断。现有模型则直接输出最终诊断，而不展示其背后的推理过程。为弥补这一不足，我们提出CPathAgent，这是一种创新的基于智能体的方法，通过依据观察到的视觉特
这里展示文献依据与资源入口。公开链接不代表已取得使用许可；数据、代码和权重的访问条件以发布方为准。插件会在分析需求、形成方案后筛选适用资源，工作流调用遵循账户套餐权限。