公开(公告)号：CN117953270A

公开(公告)日：2024-04-30

申请号：CN202311762277.3

申请日：2023-12-20

Applicant: 湖南大学

Inventor： 李明雅 ,  冯小兵 ,  何敏 ,  肖靖

IPC: G06V10/764 ,  G06V10/44 ,  G06V10/26 ,  G06V10/82 ,  G06T7/00 ,  G06N3/0464 ,  G06N3/0499 ,  G06N3/0455 ,  G06N3/045 ,  G06N3/08 ,  G06N3/0895

Abstract: 本申请涉及人工智能技术领域，公开一种癌症分子亚型分类方法、模型训练方法、设备及介质。癌症分子亚型分类方法包括：获取全玻片图像；对全玻片图像进行分割处理，得到多个图像块；利用预训练的对比学习模型，对图像块进行特征对比学习，生成第一特征向量、第二特征向量、第三特征向量和锚点向量；利用预训练的分类模型，对第一特征向量、第二特征向量和第三特征向量进行稀疏注意力计算操作和卷积操作，生成预测结果；依据预测结果，对全玻片图像进行癌症分子亚型分类。本申请实施例可以提高深度学习模型对于数字病理图像的分类能力，提高临床实践中指导癌症患者的靶向治疗的有效性。

公开(公告)号：CN117953270B

公开(公告)日：2024-11-26

申请号：CN202311762277.3

申请日：2023-12-20

Applicant: 湖南大学

Inventor： 李明雅 ,  冯小兵 ,  何敏 ,  肖靖

IPC: G06V10/764 ,  G06V10/44 ,  G06V10/26 ,  G06V10/82 ,  G06T7/00 ,  G06N3/0464 ,  G06N3/0499 ,  G06N3/0455 ,  G06N3/045 ,  G06N3/08 ,  G06N3/0895

Abstract: 本申请涉及人工智能技术领域，公开一种癌症分子亚型分类方法、模型训练方法、设备及介质。癌症分子亚型分类方法包括：获取全玻片图像；对全玻片图像进行分割处理，得到多个图像块；利用预训练的对比学习模型，对图像块进行特征对比学习，生成第一特征向量、第二特征向量、第三特征向量和锚点向量；利用预训练的分类模型，对第一特征向量、第二特征向量和第三特征向量进行稀疏注意力计算操作和卷积操作，生成预测结果；依据预测结果，对全玻片图像进行癌症分子亚型分类。本申请实施例可以提高深度学习模型对于数字病理图像的分类能力，提高临床实践中指导癌症患者的靶向治疗的有效性。

公开(公告)号：CN119888351A

公开(公告)日：2025-04-25

申请号：CN202510043274.7

申请日：2025-01-10

Applicant: 湖南大学

Inventor： 何敏 ,  冯小兵 ,  杨洋

IPC: G06V10/764 ,  G06V10/774 ,  G06N3/0464 ,  G06N3/045 ,  G06V10/40 ,  G16H70/60 ,  G16H50/30 ,  G06V10/25 ,  G06V10/26 ,  G06V10/80

Abstract: 本申请涉及机器学习技术领域，公开一种癌症治疗疗效预测方法、装置、设备及存储介质。该方法包括：对CT扫描图像进行影像组学特征提取，得到影像组学特征；对病理图像进行基于注意力机制的感兴趣病理特征提取以及基于感兴趣病理特征提取结果的局部病理特征提取，得到病理组学特征；对转录组学数据进行差异表达基因分析以及基于差异表达基因分析结果的差异表达基因筛选，得到转录组学特征；将融合影像组学特征、病理组学特征、转录组学特征和临床数据得到的融合特征输入癌症治疗疗效预测模型，得到癌症治疗疗效预测结果。本申请实施例结合影像组学特征、病理组学特征、转录组学特征和临床特征进行癌症治疗疗效预测，可以提高预测准确性。

公开(公告)号：CN119626550A

公开(公告)日：2025-03-14

申请号：CN202411751849.2

申请日：2024-12-02

Applicant: 湖南大学

Inventor： 何敏 ,  冯小兵 ,  杨洋

IPC: G16H50/30 ,  G16H30/00 ,  G06V10/40 ,  G06V10/80 ,  G06V10/82 ,  G06V10/774 ,  G06T7/136 ,  G06N3/0464 ,  G06V10/77 ,  G06V10/74 ,  G06N3/0499 ,  G06N3/042

Abstract: 本申请涉及一种融合数字病理图像和组学数据的多模态生存预测方法，该方法包括：获取食管鳞癌患者的全视野数字病理图像和组学数据；对所述全视野数字病理图像和所述组学数据均进行预处理以及特征提取，分别得到病理嵌入表示和组学嵌入表示；利用Transformer的多头注意力机制融合所述病理嵌入表示与所述组学嵌入表示，得到初步融合特征；将所述病理嵌入表示与所述初步融合特征进行深度交互，得到最终融合特征；基于所述最终融合特征预测生存结果。该方法实现了对病理图像和组学数据的双模态共享以及特征的充分融合，能够更好地实现食管鳞状细胞癌癌症患者的预后生存预测。

公开(公告)号：CN119888349A

公开(公告)日：2025-04-25

申请号：CN202510041802.5

申请日：2025-01-10

Applicant: 湖南大学

Inventor： 何敏 ,  冯小兵 ,  黄俞凯

IPC: G06V10/764 ,  G06V10/774 ,  G06N3/0464 ,  G06N3/045 ,  G06V10/40 ,  G16H70/60

Abstract: 本发明属于医学病理图像技术领域，具体涉及一种多示例多任务学习的泛癌生物标志物的预测方法及系统，包括：获取实体瘤患者的全视野数字病理图像和泛癌生物标志物表达数据；基于全视野数字病理图像，进行预处理以及特征提取，得到病理特征数据集；基于病理特征数据集，将其输入至孪生多示例全卷积网络模型中进行训练，得到病理低维特征，并结合线性注意力机制，计算得到每个病理特征对应的注意力分数；结合每个病理低维特征以及对应的注意力分数，计算得到病理深度特征，并将病理深度特征输入至多任务分类预测模型中进行分类预测，得到泛癌中每个生物标志物的预测结果。