23 статей
Исследование сравнивает две модели глубокого обучения (Swin Transformer V2 и ConvNeXt V2) для классификации доброкачественных и злокачественных образований молочной железы по гистопатологическим изображениям. Swin Transformer V2 показал лучшую точность (0.985), превосходя современные CNN в распознавании морфологических особенностей тканей. Результаты подтверждают преимущества трансформерных архитектур для систем компьютерной диагностики в цифровой патологии.
Исследование посвящено улучшению надежности трансформерных языковых моделей для геномики (GLM), которые демонстрируют высокую эффективность в задачах предсказания на генетических данных, но склонны к излишней уверенности при работе с зашумленными или неизвестными данными. Авторы анализируют влияние нескольких методов оценки неопределенности (uncertainty quantification, UQ), включая температурное масштабирование и эпистемические нейронные сети, на надежность предсказаний моделей в различных доменах геномных и метабаргеномных задач. Сравнение поведения моделей на данных из распределения (in-distribution) и вне распределения (out-of-distribution) показывает, что предложенные методы способны значительно улучшить надежность классификации. Результаты демонстрируют универсальность подхода, так как он работает на нескольких архитектурах GLM и в различных предметных областях. Разработка критически важна для геномики, где неизвестные виды и новые генетические варианты встречаются часто, и надежность предсказаний напрямую влияет на клинические решения. Полученные модели могут применяться для диагностики генетических заболеваний, персонализированной медицины и анализа микробиома. Исходный код проекта доступен в открытом доступе на GitHub, что позволяет исследователям и практикам внедрять эти методы в свои рабочие процессы.
Исследователи представили новый метод scCChain — фреймворк на основе трансформерных нейросетей для анализа пространственной транскриптомики. Метод интегрирует активность лиганд-рецепторов в пространственно разрешённые программы коммуникации клеток и локализует горячие точки на уровне отдельных клеток и пространственных пятен. scCChain использует структурированное снижение размерности для выявления кандидатов программ, затем применяет взвешенные случайные блуждания по графу клеток для формирования цепочек коммуникации. Трансформерная модель оценивает цепочки, приоритезируя биологически значимые программы и определяя зоны повышенной активности. Метод применён к данным пространственной транскриптомики рака молочной железы человека, показав способность выявлять опухолевые программы с ангиогенной сигнализацией в инвазивных зонах. В данных на основе визуализации метод определил горячие точки коммуникации CXCL12-CXCR4 на клеточном уровне. Исследование демонстрирует интерпретируемость и точность цепочечного трансформерного моделирования для анализа сложных тканей. Метод позволяет как разведывательный поиск новых программ коммуникации, так и целевой анализ конкретных пар лиганд-рецептор.
