医学图像的分割本质上是不明确的。捕捉病变分割的不确定性对于协助癌症诊断和进一步干预至关重要。最近的工作在生成多个看似合理的分割结果作为多样化参考以解释病变分割的不确定性方面取得了巨大进展。然而，现有模型的效率有限，并且多注释数据集中的不确定性信息仍有待充分利用。在本研究中，我们提出了一系列方法来共同解决上述限制，并利用多注释数据集中的丰富信息：（1）定制T时间内部采样网络，以提高建模灵活性并有效生成与地面匹配的样本- 多个注释者的真实分布； （2）定义不确定度，从全新的角度定量衡量每个样本的不确定性以及整个多标注数据集的不平衡性； (3) 不确定性感知数据增强策略，帮助概率模型自适应地拟合具有不同不确定性范围的样本。我们在公开的肺结节数据集和我们内部的肝脏肿瘤数据集上对每个数据集进行了评估。结果表明，我们提出的方法在准确性和效率上均实现了整体最佳性能，展示了其在实际临床场景中的病灶分割和更多下游任务中的巨大潜力。版权所有 © 2024 作者。由爱思唯尔有限公司出版。保留所有权利。

通过微阵列数据中的基因分析来识别肿瘤是人工智能和生物信息学研究的关键领域。由于相对于有限的观察数量而言，基因数量较多，因此这项任务具有挑战性，这使得特征选择成为关键步骤。本文介绍了一种新颖的包装器特征选择方法，该方法利用将遗传算子与 Sinh Cosh 优化器 (SCHO) 相结合的混合优化算法，称为 SCHO-GO。 SCHO-GO 算法旨在避免局部最优、简化搜索过程并在不影响分类器性能的情况下选择最相关的特征。传统方法常常因搜索空间广泛而失效，因此需要混合方法。我们的方法旨在降低维度并提高分类精度，这在模式识别和数据分析中至关重要。 SCHO-GO 算法与支持向量机 (SVM) 分类器集成，显着提高了癌症分类的准确性。我们使用 CEC'2022 基准函数评估了 SCHO-GO 的性能，并将其与七种著名的元启发式算法进行了比较。统计分析表明 SCHO-GO 始终优于这些算法。对八个微阵列基因表达数据集（特别是基因表达癌症 RNA-Seq 数据集）的实验测试表明，SCHO-GO-SVM 模型的准确度高达 99.01%，凸显了其在处理复杂数据集方面的稳健性和精确度。此外，SCHO-GO 算法在特征选择和解决数学基准问题方面表现出色，为微阵列数据分析中的肿瘤识别和分类提供了一种有前景的方法。版权所有 © 2024 Elsevier Ltd。保留所有权利。

通过正电子发射断层扫描 (PET) 和计算机断层扫描 (CT) 图像进行的自动肿瘤分割在通过放射肿瘤学预防、诊断和治疗这种疾病中发挥着关键作用。然而，由于灰度水平的异质性和模糊边界，分割这些肿瘤具有挑战性。为了解决这些问题，本文提出了一种有效的基于模型的 PET/CT 肿瘤联合分割方法，该方法结合了模糊 C 均值聚类和贝叶斯分类信息。为了缓解多模态图像的灰度异质性，该方法基于PET的背景区域信息和CT的前景区域信息，设计了一种新的灰度相似区域项。创新性地提出了边缘停止函数，通过结合模糊 C 均值聚类策略来增强模糊边缘的定位。为了进一步提高分割精度，结合PET图像中像素点的分布特征，在PET图像的基础上引入了独特的数据保真度项。最后，对头颈肿瘤 (HECKTOR) 和非小细胞肺癌 (NSCLC) 数据集的实验验证表明，DSC、RVD 和 HD5 等三个关键评估指标具有令人印象深刻的值，分别达到 0.85、5.32 和 0.17 ， 分别。这些引人注目的结果表明，基于数学模型的图像分割方法在处理多模态图像中的灰度异质性和模糊边界方面表现出出色的性能。版权所有 © 2024 Elsevier Ltd. 保留所有权利。

准确区分不确定的肺结节仍然是临床实践中的重大挑战。当处理低剂量计算机断层扫描（一种正在世界许多地区推广的肺癌筛查技术）获得的大量放射学特征时，这一挑战变得越来越艰巨。因此，本研究提出了利他海鸥优化算法（AltSOA），用于选择放射组学特征来预测肺结节的恶性风险。这种创新方法将利他主义融入到传统的海鸥优化算法中，以寻求全局最优解。设计了多目标适应度函数来训练肺结节预测模型，旨在在保证预测性能的同时使用更少的放射组学特征。在全局放射组学特征中，AltSOA 识别了 11 个感兴趣的特征，包括灰度共生矩阵。这种自动选择的放射组学特征组能够精确预测肺结节的恶性风险（曲线下面积 = 0.8383（95% 置信区间 0.7862-0.8863）），超出了放射科医生的熟练程度。此外，还深入讨论了肺结节预测模型的可解释性、临床实用性和普遍性。所有结果一致强调了 AltSOA 在预测肺结节恶性风险方面的优越性。所提出的肺结节恶性风险预测模型有望增强现有的肺癌筛查方法。这项工作的支持源代码可以在以下网址找到：https://github.com/zzl2022/PBMPN。版权所有 © 2024。由 Elsevier Ltd 出版。

抗糖尿病肽（ADP）是具有潜在抗糖尿病活性的肽，在糖尿病的治疗和控制中具有重要意义。尽管具有治疗潜力，但由于数据有限、肽功能的复杂性以及传统湿实验室实验的昂贵且耗时的性质，ADP 的发现和预测仍然具有挑战性。本研究旨在通过探索使用先进深度学习技术发现和预测 ADP 的方法来应对这些挑战。具体来说，我们开发了两种模型：单通道 CNN 和三通道神经网络 (CNN RNN Bi-LSTM)。 ADP 主要从 BioDADPep 数据库收集，以及来自抗癌、抗菌和抗病毒肽数据集的数千个非 ADP。随后，使用进化尺度模型（ESM-2）进行数据预处理，然后通过10倍交叉验证进行模型训练和评估。此外，这项工作通过文献回顾收集了一系列新发表的 ADP 作为独立测试集，发现 CNN 模型在预测独立测试集上取得了最高的准确率（90.48%），超越了现有的 ADP 预测工具。最后考虑了模型的应用。使用 SeqGAN 生成新的候选 ADP，然后使用构建的 CNN 模型进行筛选。然后使用物理化学性质预测和结构预测来评估选定的肽的药物潜力。综上所述，本研究不仅建立了稳健的 ADP 预测模型，而且利用这些模型筛选了一批潜在的 ADP，解决了基于肽的抗糖尿病研究领域的关键需求。版权所有 © 2024 Elsevier Ltd. 保留所有权利。

细胞粘附分子（CAM）在细胞间相互作用、免疫反应调节和肿瘤细胞迁移中发挥着至关重要的作用。然而，CAM 在胃癌 (GC) 中的独特作用在很大程度上仍未得到探索。本研究表征了 CAM 的遗传改变和 mRNA 表达。 CD34 作为代表性分子的作用已在 375 个 GC 组织中得到验证。使用单细胞和批量表征进一步测试了 CAM 途径的活性。接下来，使用单变量 Cox 和随机生存森林方法分析来自三个队列的 839 名 GC 患者的数据，以开发和验证 CAM 相关预后模型。大多数 CAM 相关基因表现出多组学改变，并与临床结果相关。 CD34 表达增加与晚期临床分期 (P = 0.026)、广泛血管浸润 (P = 0.003) 和不良预后 (Log-rank P = 0.022) 之间存在很强的相关性。 CD34 表达还被发现与术后化疗和肿瘤免疫治疗反应相关。此外，CAM 通路显着激活并介导不良预后。此外，在训练队列中还发现了八个预后特征基因（PSG）。 PSG 评分高的 GC 组织中，免疫检查点表达显着上调，免疫细胞明显浸润，这与免疫治疗敏感性增加的预测一致。此外，CTRPv2数据库中的9种化合物和混合相对抑制同时分析（PRISM）数据库中的13种化合物被确定为高PSG评分GC患者的潜在治疗药物。对CAM通路调节的透彻理解和创新的PSG评分模型为对医学诊断具有重大影响，有可能增强个性化治疗策略并改善 GC 管理中的患者预后。版权所有 © 2024。由 Elsevier Ltd 出版。

-计算机断层扫描 (CT) 扫描的准确肺部肿瘤分割对于肺癌诊断至关重要。由于 2D 方法缺乏肺部 CT 图像的体积信息，基于 3D 卷积和 Transformer 的方法最近已应用于使用 CT 成像的肺部肿瘤分割任务。然而，大多数现有的 3D 方法无法有效地将卷积学习的局部模式与 Transformers 捕获的全局依赖关系进行协作，并且广泛忽略了肺部肿瘤的重要边界信息。为了解决这些问题，我们提出了一种使用卷积和 Transformer 进行肺肿瘤分割的 3D 边界引导混合网络，名为 BGHNet。在 BGHNet 中，我们首先提出了在编码阶段具有并行卷积和 Transformer 分支的混合局部全局上下文聚合（HLGCA）模块。为了聚合 HLGCA 模块每个分支中的局部和全局上下文，我们不仅设计了体积交叉条纹窗口变换器（VCSwin-Transformer）来构建具有局部归纳偏差和大感受野的变换器分支，而且还设计了体积金字塔与基于变压器的扩展（VPConvNeXt）进行卷积，以构建具有多尺度全局信息的卷积分支。然后，我们在解码阶段提出了边界引导特征细化（BGFR）模块，该模块显式地利用边界信息来细化多阶段解码特征以获得更好的性能。在两个肺肿瘤分割数据集上进行了广泛的实验，包括私有数据集（HUST-Lung）和公共基准数据集（MSD-Lung）。结果表明，BGHNet 在我们的实验中优于其他最先进的 2D 或 3D 方法，并且在非对比和对比增强 CT 扫描中都表现出卓越的泛化性能。版权所有 © 2024 Elsevier Ltd。保留所有权利。

在过去的十年中，人们对将人工智能（AI）系统应用于乳腺癌评估（包括乳腺密度评估）越来越感兴趣。然而，很少有模型被开发来整合文本乳房X线照相报告和乳房X线照相图像。我们的目标是 (1) 生成基于自然语言处理 (NLP) 的人工智能系统，(2) 评估基于外部图像的软件，以及 (3) 使用后期融合方法，通过集成来开发多模态系统根据美国放射学会 (ACR) 乳房 X 光检查和放射学报告指南，对乳腺密度进行图像和文本推断。我们首先比较了不同的 NLP 模型，其中三个基于 n-gram 术语频率 - 逆文档频率和两个 Transformer基于 的架构，使用 1533 个非结构化乳房 X 光检查报告作为训练集，使用 303 个报告作为测试集。随后，我们使用 303 个乳房 X 光图像评估了一个基于外部图像的软件。最后，我们评估了我们的多模态系统，同时考虑了文本和乳房 X 光图像。我们最好的 NLP 模型达到了 88% 的准确度，而外部软件和多模态系统在 ACR 乳房密度分类方面分别达到了 75% 和 80% 的准确度。我们的多模态系统优于基于图像的工具，但它目前并没有改善 NLP 模型为 ACR 乳腺密度分类提供的结果。尽管如此，这里观察到的有希望的结果为关于利用多模式工具评估乳腺密度进行更全面的研究提供了可能性。版权所有 © 2024 Elsevier B.V. 保留所有权利。

最近的研究指出，细胞群在其环境中的动态和相互作用与免疫学中的几个生物过程有关。因此，免疫学中的单细胞分析现在依赖于空间组学。此外，最近的文献表明，免疫学场景是分层组织的，包括在一些可观察的对照组和治疗组中以不同比例出现的未知细胞行为。这些动态行为在识别炎症、衰老和抵抗病原体或癌细胞等过程的原因方面发挥着至关重要的作用。在这项工作中，我们使用自我监督的学习方法来发现免疫学场景中与细胞动力学相关的这些行为。具体来说，我们研究了对照组和治疗组在涉及梗死炎症的场景中的不同反应，重点是影响中性粒细胞在血管内的迁移。从一组手工制作的时空特征开始，我们使用循环神经网络来生成正确描述迁移过程动态的嵌入。该网络使用一种新颖的多任务对比损失进行训练，一方面对场景的层次结构（组-行为-样本）进行建模，另一方面确保嵌入内的时间一致性，强制后续的时间一致性从给定细胞获得的样本在潜在空间中保持紧密。我们的实验结果表明，与手工制作的特征提取和状态的最新方法相比，由此产生的嵌入提高了细胞行为的可分离性和治疗的对数似然性即使降维（16 个与 21 个手工制作的特征），我们的方法也能够在群体水平上进行单细胞分析，能够自动发现不同群体之间的共同行为。反过来，这可以根据研究组中的比例来预测治疗效果。版权所有 © 2024 作者。由 Elsevier B.V. 出版。保留所有权利。

免疫细胞迁移是免疫细胞能够发现入侵病原体、控制组织损伤和消除原发性肿瘤的关键特征之一。嵌合抗原受体（CAR）T 细胞疗法是对抗各种癌症的一种新策略。它在治疗血液肿瘤方面取得了成功，但在实体瘤方面仍面临许多挑战。在这项工作中，我们评估了致密胶原基水凝胶中 T 细胞和 CAR-T 细胞的三维 (3D) 迁移能力。量化三维 (3D) 细胞迁移需要可能不易获得的显微镜技术。因此，我们引入了一种简单的数学模型，旨在从二维 (2D) 细胞轨迹推断细胞的 3D 轨迹。我们开发了一种基于 3D 代理的模型 (ABM)，通过逆变换模拟迁移方向的时间变化抽样方法。然后，我们提出了一种优化程序，可以随着时间的推移准确定向细胞迁移，以从 2D 实验细胞轨迹重现细胞迁移。利用该模型，我们模拟了微流体装置中在具有不同浓度 I 型胶原的水凝胶下进行的 T 细胞和 CAR-T 细胞的细胞迁移测定，并使用光片显微镜验证了我们的 3D 细胞迁移预测。我们的研究结果表明 CAR-T 细胞与 T 细胞相比，迁移对胶原蛋白浓度的增加更敏感，从而导致其侵袭性更显着降低。此外，我们的计算模型揭示了 T 细胞和 CAR-T 细胞之间 3D 运动模式的显着差异。 T 细胞表现出 3D 迁移行为，而 CAR-T 细胞主要在 XY 平面内移动，在 Z 方向上移动有限。然而，在引入 CXCL12 化学梯度后，CAR-T 细胞呈现出与 T 细胞非常相似的迁移模式。该框架表明 3D 轨迹的 2D 投影可能无法准确代表真实的迁移模式。此外，它还提供了一种从 2D 实验数据估计 3D 迁移模式的工具，可以通过自动量化算法轻松获得。这种方法有助于减少实验室对复杂且昂贵的显微镜设备的需求，以及生成和分析 3D 实验数据所涉及的计算负担。版权所有 © 2024 作者。由 Elsevier B.V. 出版。保留所有权利。