Мультимодальная фузия для детальной классификации фиброаденом груди и опухолей Филлоидов

Классификация ультразвуковых изображений имеет важное значение для компьютерной диагностики. Однако современные методы часто игнорируют клинические приоритеты, что приводит к плохой обобщаемости в сложных сценариях и отсутствию интерпретируемости, что ограничивает клиническое применение. Чтобы решить эти проблемы, мы нацелены на разработку модуля медицинских приоритетов, который можно бесшовно интегрировать в существующие конвейеры для повышения как диагностической эффективности, так и интерпретируемости. В данной статье мы предлагаем двухветвевую структуру классификации ультразвука, основанную на атрибутах, которая вводит независимые от домена медицинские атрибуты-приоритеты, улучшая обобщаемость и предоставляя интерпретируемые доказательства. В частности, базовая ветка следует традиционным архитектурам и предсказывает категории изображений с помощью полностью связанного классификатора. Ветка, ориентированная на атрибуты, вводит независимые от домена атрибуты в качестве приоритетов и производит интерпретируемые человеком подсказки для принятия решений. Наконец, адаптивный модуль принятия решений объединяет две ветви в зависимости от данных для получения окончательного предсказания. Эксперименты по различным задачам классификации ультразвука демонстрируют, что наш подход можно интегрировать в несколько основных и современных методов с низкими накладными расходами, постоянно улучшая точность и интерпретируемость.

Диагностика традиционной китайской медицины (ТКМ), особенно через осмотр языка, сталкивается с постоянными проблемами субъективности и воспроизводимости. Применение многомодального искусственного интеллекта для клинических задач ТКМ, таких как дифференциация синдромов и генерация рецептов, значительно затруднено семантическим разрывом между визуальными характеристиками языка и текстовым обоснованием, а также отсутствием масштабных, стандартизированных наборов данных. Для решения этих проблем мы представляем MMIR-TCM, новую структуру, которая эмулирует процесс диагностики экспертов ТКМ, интегрируя многомодальную языковую модель с сегментацией, дополненной памятью и генерацией, основанной на извлечении. Используя архитектуру, состоящую из трех этапов, MMIR-TCM интегрирует модуль Memory-SAM, не требующий обучения, для надежного извлечения языка, уточненную модель Qwen3-VL для генерации структурированной диагностики языка и компонент RAG на основе Qwen3 для генерации обоснованной клинической поддержки принятия решений. Структура была разработана и валидирована с использованием MedTCM, нового крупномасштабного многомодального набора данных, который мы представляем специально для углубленных исследований ТКМ. Для правильной оценки клинической точности нашей структуры, которую существующие метрики не могут отразить, мы также разработали TDEU, доменно-специфическую оценочную метрику, учитывающую семантическое понимание и диагностическую важность. Наши комплексные эксперименты демонстрируют, что MMIR-TCM значительно превосходит ведущие модели.

Цель: Расстройство дефицита внимания и гиперактивности (СДВГ) является клинически и этиологически гетерогенным, и диагностические решения могут выиграть от интеграции нескольких источников информации. Мы разработали подход объяснимого глубокого обучения, чтобы проверить, могут ли генетические, экологические, когнитивные, демографические и темпераментные данные классифицировать диагностику СДВГ и выявить факторы, способствующие принятию решений модели. Метод: Мы проанализировали участников когорты Oregon ADHD-1000, разделенных на тренировочные, валидационные и тестовые подмножества. Мы обучили модульные нейронные сети для классификации статуса случая-контроля СДВГ с использованием данных генотипа на уровне SNP с биологическими аннотациями, полигенных баллов, демографических данных, конфликтов в родительско-семейной среде, стресса и травмы, геокодированных мер, когнитивных задач, баллов темперамента и индикаторов отсутствия данных. Оптимизация гиперпараметров выбрала архитектуру модели и включение блоков признаков. Мы оценили производительность модели, используя AUC, кривые точности и полноты, анализы калибровки и предсказательной определенности, а также анализ кривой решений. Мы использовали интегрированные градиенты для количественной оценки важности на уровне блока, признака и индивидуальной важности признаков. Результаты: Лучшая модель, использующая черты темперамента, показала AUC 0.97 в удержанном тестовом подмножестве, с высокой точностью, чувствительностью и специфичностью и Brier score 0.06. Лучшая модель, исключающая темперамент, имела AUC 0.75. Анализы важности признаков подчеркнули важность темперамента, демографических и когнитивных доменов в модели, включающей темперамент. Индивидуализированные объяснения показали, что факторы предсказания варьировались между участниками и могли помочь выявить противоречивые или поддерживающие доказательства в различных доменах. Заключение: Объяснимые многомодальные классификационные модели могут интегрировать гетерогенную информацию, релевантную СДВГ, и выявлять признаки, которые способствуют индивидуальным прогнозам. Такие модели могут продвинуть исследования риск-моделирования СДВГ и поддерживать принятие решений клиницистами, особенно в сложных или диагностически неопределенных случаях.

Целью данного исследования было оценить прогноз и результаты дополнительного лечения остаточного аденокарциномы и аденомы после эндоскопической папиллектомии (ЭП) опухолей ампулы. Из 191 пациента, прошедшего ЭП, 43 с аденокарциномой или аденомой и положительными или неопределёнными патологическими краями были включены в исследование. Случаи с положительными или неопределёнными патологическими краями и остатками при эндоскопическом наблюдении после ЭП были определены как эндоскопические остатки, а случаи без эндоскопических остатков – как патологические остатки. Результаты были сравнены между этими группами для оценки дополнительного лечения. Всего было идентифицировано 12 случаев аденокарциномы, из которых в 10 случаях имелись патологические остатки, а в двух случаях – эндоскопические остатки. Из двух случаев с эндоскопическими остатками один пациент прошёл дополнительную хирургическую резекцию, в то время как другой находился под наблюдением и впоследствии показал прогрессирование заболевания. Среди 10 случаев с патологической остаточной аденокарциномой у четырех пациентов была проведена дополнительная операция, но рак не был обнаружен в удалённых образцах. У шести оставшихся случаев не было прогрессирования заболевания в течение периода наблюдения, что может свидетельствовать о том, что патологическая остаточная аденокарцинома могла быть полностью устранена с помощью ЭП. Остаточная аденома была обнаружена в 31 случае, при этом в 20 случаях имелись патологические остатки, а в 11 случаях - эндоскопические остатки. Рецидив аденомы произошёл в трёх случаях, и все они успешно лечились эндоскопически. Если патологический край положительный или неопределённый, требуется дополнительное лечение для случаев с эндоскопическими остатками после ЭП. Однако в отсутствие эндоскопических остатков последующее наблюдение может быть остережено в некоторых случаях.

Клиническое управление пациентами с раком молочной железы в значительной мере определяется стадией опухоли, подтипом заболевания и (по крайней мере в некоторых случаях) специфическими молекулярными особенностями (мутациями, позитивностью PD-L1). Однако не все пациенты с раком молочной железы реагируют на терапевтические подходы, которые точно нацелены на их заболевание. Это может частично объясняться тем фактом, что опухоли молочной железы имеют высокую гетерогенность с точки зрения широкой иммунологической перспективы, даже когда они демонстрируют схожие подтипы заболевания и молекулярные характеристики. Таким образом, интеграция дополнительных иммунологических параметров в существующие алгоритмы принятия решений может значительно улучшить клиническое управление этой большой популяцией пациентов. В этом контексте циркулирующие показатели глобальной иммунной готовности и текущего антитуморного иммунитета выделяются как особенно перспективные инструменты для минимально инвазивной прогностической и/или предсказательной оценки. Здесь мы резюмируем и критически обсуждаем циркулирующий иммунный ландшафт человеческого рака молочной железы, по мере возможности сравнивая по подтипам заболевания, стадиям и результатам лечения.

Эффективная диагностика заболеваний мозга требует синергии паттернов подключения мозга и высокоуровневых семантических знаний. Однако существующие методы в значительной степени рассматривают семантику из крупных языковых моделей (LLMs) как вспомогательные признаки или руководство, что ограничивает их прямую роль в принятии решений и сужает стабильность и надежность классификации. Чтобы преодолеть это, мы предлагаем фреймворк семантически согласованной нейросети мозга, который активно интегрирует семантику, полученную от LLM, в процесс предсказания. В частности, семантика на уровне ROI сначала включается через глобальное самообращение для обогащения представлений узлов и предоставления контекста всего мозга. Затем строятся многомасштабные гиперграфы для явного моделирования функциональных подсетей и взаимодействий между несколькими ROI, что решает локальные ограничения традиционных ГНН и захватывает высокопорядковые зависимости. Наконец, механизм семантической согласованности на уровне принятия решений избирательно вводит текстовые вложения, специфичные для пациента, в графовые представления, позволяя семантике напрямую управлять предсказаниями без нарушения глубинной структуры сети. Эксперименты на публичных наборах данных сети мозга ABIDE и ADHD-200 демонстрируют состояние искусства, повышенную стабильность и улучшенную интерпретируемость, особенно в условиях небольших выборок.