清华大学考研(清华大学考研专业目录及考试科目)

清华大学考研，清华大学考研专业目录及考试科目

本刊讯（通讯员高国强）清华大学附属北京清华长庚医院病理科主任尹洪芳团队与清华大学精密仪器系、清华-IDG/麦戈文脑科学研究院、清华大学自动化系课题组合作，以人工智能和病理医生相互协作的方式，构建了癌症预后标志物智能挖掘平台PathFinder，利用该平台实现了基于肝癌数字病理切片图像（WSI）对患者预后的精准预测，发现坏死组织的空间分布特征与肝癌患者预后显著相关，并在此基础上提出并验证了两种全新的肝癌病理预后标志物，展示了深度学习方法在精准医学应用的新范式。本研究相关成果以“Deep learning supported discovery of biomarkers for clinical prognosis of liver cancer”为题，发表在Nature Machine Intelligence杂志上。

肝细胞癌的病理组织图像对癌症诊断、预后评估和治疗规划至关重要。网络可以实现高于传统分期的预后准确度，但深度神经网络有限的可解释性和泛化能力妨碍了这些高准确度的深度预后模型的临床实践和应用。该研究提出了一种可解释的、以人为中心的深度学习框架——PathFinder。该平台由三部分组成：宏观模式获取、预测深度神经网络训练和新的生物标志物的发现。首先，通过训练肝癌WSI多类别组织划分神经网络PaSegNet，来获得多类组织分布概率热图，从而得到宏观模式（macro mode）。然后将macro mode及其相应的肝癌患者生存时间用作为图像-标签训练神经网络MacroNet，该模型预测的风险评分是肝癌的独立预后因素，在两组独立数据集中的预测一致性指数（C-Index）分别达0.745和0.708。最后，利用归因方法对经过训练、表现良好的MacroNet进行探索，挖掘该模型关注的空间区域，并对该区域进行定位和表征，结果发现坏死组织的空间分布——这一长久以来被忽视的特征与患者预后密切相关。基于此结果，该研究通过建立数字模型提出了两种新的标志物：坏死面积分数（NEC）和肿瘤坏死分布（TND），进一步在两组独立数据集上验证，发现NEC和TND可以显著区分高风险和低风险群体，可作为术后复和死亡预测的重要指标。

Nature Reviews Bioengineering亮点报道

编辑 |郑梦莹

责任编辑 |左舒颖

审核 |韩静

清华大学考研(清华大学考研专业目录及考试科目)

未经允许不得转载：考研网 » 清华大学考研(清华大学考研专业目录及考试科目)