欢迎来看雪球讲套路、讲文献！想要高效发文，就得跟上大部队；想要打破瓶颈，冲一冲10+、1区、科研代表作，就得关注新算法、新细节、新套路组合，果断出击。比如在构建模型这块，你还在仅使用转录组数据，苦苦挣扎？来看看今天这篇
10+
文献，整合组织病理学图像、基因组、转录组和免疫细胞数据，构建
深度学习多模态模型
，有机制、高精度、可解释。一起学学怎样提分吧！
想get同款思路，加速发文？多手准备？
可添加雪球 回复“
个性化
”咨询
Artificial intelligence-based multi-modal multi-tasks analysis reveals tumor molecular heterogeneity, predicts preoperative lymph node metastasis and prognosis in papillary thyroid carcinoma: a retrospective study
基于人工智能的多模态多任务分析揭示乳头状甲状腺癌肿瘤分子异质性，预测术前淋巴结转移及预后：一项回顾性研究
期刊：International Journal of Surgery
IF：12.5
发布时间：2025/01
患者和研究设计：
构建一个包含1011名PTC患者（256名来自真实世界队列1，275名来自真实世界队列2，499名来自TCGA）的综合研究队列，以研究PTC的分子异质性和淋巴结转移。
DNA分离和基于捕获的目标DNA测序：
通过DNA测序分析PTC患者的基因突变情况，特别是BRAF、RAS和RET等关键基因的突变。
发现BRAF突变是最常见的突变类型，与LNM显著相关，并影响DFS。
单细胞转录组测序和分析：
识别了BRAF突变PTC中LNM的不同T细胞亚型和降低的B细胞多样性，揭示了肿瘤微环境的复杂性。
多模态多任务模型的训练和验证：
开发一个深度学习多模态模型，结合
组织病理学图像、基因组、转录组和免疫细胞数据
，以预测LNM和DFS。
模型在训练队列中AUC达到0.86，在验证队列中AUC为0.84，在真实世界队列2中AUC为0.83，显示出高准确性和预测能力。
模型可视化和解释：
通过GradCAM算法生成热图，可视化模型关注的病理图像区域，提高模型预测的可解释性。
热图清晰地突出了PTC患者病理图像中的高风险区域，尤其是在有淋巴结转移的患者中，有助于临床医生更好地理解模型预测。
统计分析：
评估不同分子亚型、免疫细胞浸润和LNM之间的关联，并通过生存分析评估DFS。
发现BRAF突变与LNM显著相关，RAS突变与较好的DFS相关，揭示了不同分子亚型对预后的影响。
Fig 2 队列 1 和 TCGA 队列中 PTC 患者的遗传改变谱和分子亚组特征
Fig 3 甲状腺状癌 （PTC） 中常见的突变相关免疫微环境
Fig 4 甲状腺状癌中的 LNM 和 NLNM 相关免疫微环境
Fig 5 甲状腺状癌 （PTC） 组织学模式的肿瘤内异质性
Fig 6 LNM 在甲状腺状癌肿瘤微环境中的不同 T 细胞亚型和作用
Fig 7 LNM 甲状腺状癌肿瘤微环境中 B 细胞亚型减少
Fig 8 甲状腺状癌中 ATF3+/FOSB+/CXCL8+ CAFs 与 LNM 的主要关联
Fig 9 甲状腺状癌组织中巨噬细胞的转录组异质性
Fig 11 具有各种突变和转移状态的肿瘤样本的组织病理学分析和注意力映射
能够将
病理组学数据
结合到多模态模型中，是上分点，也是原本的“幕后科室”——检验科等，
进阶SCI
的突破机会。总之，
AI+多组学
的先发红利、高分密码，雪球都会在
今晚（4月9日）8点
的直播中逐一讲解。
冲击一区10+，单打独斗，就难免多走弯路。有困难，找雪球！雪球携精英团队陪跑5000+科研项目，2500+客户发表报喜，致力于解决你的科研问题，助力SCI发表。添加雪球，回复“
个性化
”定制吧！
✅立足科研 守正创新
✅上下限跨度广
✅适合优化分析/进阶分数段/丰富前期背景等需求
✅涵盖众多实用创新套路
✅量身定制，绝无量产，绝不敷衍
