当前位置：首页 > news >正文

扩散模型、原型网络以及肿瘤微环境解析等名词出现在基金立项名单中，它们各自的应用现状如何？｜文献速递·25-01-10

news 来源：原创 2025/6/15 5:11:49

小罗碎碎念

昨晚看到了云南省2025年自然科学基金立项的名单，今天把医工交叉的项目挑出来和大家分享一下。

今天分享的文献，灵感来源于2025年的基金，我会先简单分析一下基金的情况，然后再和大家分享三篇与立项基金相关的文献。

如需获取完整表格，请在后台回复“2025云南基金”

总共七种立项种类，但是医工交叉的项目总共才6个，好在其中还有一个是病理相关的。

序号	项目类别	项目名称	申报单位	推荐单位
1	基础研究专项-重点项目	多源医学大数据的统计机器学习方法研究及其在云南省高发、多发疾病防治中的应用	昆明理工大学	昆明理工大学
2	基础研究专项-面上项目	面向器质性精神障碍诊断的脑神经数据多模态表征学习研究	云南大学	云南大学
3	基础研究专项-面上项目（政策支持类）	基于金字塔状态空间模型与原型多实例学习的乳腺癌病理全切片图像智能分析	云南省肿瘤医院（昆明医科大学第三附属医院）	云南省卫生健康委员会
4	基础研究专项-面上项目（政策支持类）	基于预训练大语言模型的多模态医学影像配准研究	昆明理工大学	昆明理工大学
5	基础研究专项-青年项目	基于多组学数据融合的肿瘤微环境解析	云南大学	云南大学
6	基础研究专项-青年项目	基于多模态数据的呼吸道传染病流行水平预测研究	云南省肿瘤医院（昆明医科大学第三附属医院）	云南省卫生健康委员会

由于项目数量较少，我也就直接放推送里了，如果大家想要完整的表格，看看其他的项目，可以在后台回复“2025云南基金”。星球用户不想麻烦的话，也可以直接去【基金申请】专栏中查看。

推文速览

上面6个项目中，我比较熟悉的就是3、4、5，所以我这期推送就分别挑选三篇文献，和大家一起学习一下相关的方向。

第1篇文章全面综述了扩散模型在医学成像领域的应用，涵盖其理论基础、多种成像任务应用、现有模型分类及面临挑战与未来方向，为医学成像研究提供重要参考。

第2篇文章提出一种用于小样本病理图像分类的双通道原型网络（DCPN），通过自监督学习、多尺度特征提取和软投票分类器等创新方法，在多个数据集上超越现有方法，有效解决样本稀缺问题，为罕见病诊断提供辅助，未来将聚焦提升模型跨域性能。

第3篇文章通过对韩国及以往多组学研究中的 NSCLC 患者数据进行综合分析，鉴定出五种分子亚型，揭示其与染色体不稳定性和肿瘤微环境的关联，为精准医疗提供依据。

知识星球

如需获取推文中提及的各种资料，欢迎加入我的知识星球！

一、医学成像中扩散模型的应用综述与展望

一作&通讯

作者身份	姓名	单位
第一作者	Amirhossein Kazerouni	伊朗科技大学电气工程学院，德黑兰，伊朗
通讯作者	Dorit Merhof	德国雷根斯堡大学信息学与数据科学学院，雷根斯堡，德国

文献概述

在深度学习的生成式模型领域，扩散模型近年来备受关注并在多个领域得到应用。

在医学成像领域，随着对高质量图像和数据处理需求的增长，扩散模型的应用也逐渐增多。本文旨在全面综述扩散模型在医学成像中的应用，为研究人员提供参考。

图像到图像转换

利用扩散模型可解决医学图像模态缺失问题，如将MRI转换为CT。Lyu和Wang利用DDPMs和分数扩散模型，在Gold Atlas男性骨盆数据集上优于CNN和GAN - based方法；Meng等提出UMM - CSGM，在BraTS19数据集上生成的缺失模态图像质量更高；Li等的FGDM模型通过频率域滤波器保留结构信息，在零样本医学图像转换上表现突出。

图像重建

在医学图像重建中，如MRI和CT存在采集时间长、辐射剂量等问题。Jalal等的CSGM利用生成模型作为先验信息在MRI重建中表现优于传统监督学习方法；Chung和Ye的分数扩散框架解决加速MRI扫描的逆问题，能重建训练集外的数据且对多线圈有效；Liu等的DOLCE模型在有限角度CT重建中，利用FBP输出作为先验并添加一致性项，在Kidney CT数据集上效果良好。

图像配准

Kim等的DiffuseMorph模型包含扩散和变形网络，以端到端方式训练，在2D面部表情和3D医学图像配准实验中准确性高，可提供图像配准和生成任务。

图像分类

DiffMIC模型先编码图像到特征嵌入空间，用Dual - granularity Conditional Guidance模型捕捉先验信息，经扩散和去噪预测噪声分布，再投影回原维度，利用MMD和MSE损失优化，在胎盘成熟度分级、皮肤病变分类和糖尿病视网膜病变分级任务中表现有前景。

图像分割

brainSPADE模型由标签生成器和图像生成器组成，前者用空间VAE编码器创建潜在空间生成分割图，后者用SPADE模型生成图像，在合成数据上训练与真实数据效果可比且组合后提升结果；Kim等的DARL模型有扩散和生成模块，用于血管分割，实验验证了其优越性；Rahman等的CIMD框架利用噪声分割真值掩码训练，在不同数据集上性能优于概率UNet模型；Bieder等的PatchDDM模型适用于大3D体积医学任务，在肿瘤分割中计算资源消耗少。

图像去噪

Hu等的DenoOCT - DDPM利用DDPM对OCT视网膜数据去斑，通过自融合预处理，在SNR指标上优于传统方法；Gong等的PET - DDPM结合辅助模态嵌入对PET去噪，在PSNR和SSIM上取得SOTA结果；Xiang等对扩散MRI采用自监督去噪策略，在多个数据集上表现优异。

图像生成

Kim和Ye的Diffusion Deformable Model可生成4D医学图像的中间帧；Packhäuser等用潜在扩散模型生成胸部X射线图像并保护隐私；Moghadam等用DDPMs生成组织病理学图像，通过颜色归一化和形态学优先级模块提高质量；Jiang等的CoLa - Diff模型是首个多模态MRI合成模型，在内存和结构保存上有优势。

异常检测

Wolleb等的基于DDIMs的方法通过图像到图像翻译识别异常区域，在BraTS2020和CheXpert数据集上优于VAE和GAN模型；Wyatt等的AnoDDPM在健康样本上训练DDPM检测异常；CDPM模型通过生成健康反事实图像定位异常；Pinaya等的方法用VQ - VAE和DDPM检测和分割脑MR图像异常；Behrendt等的pDDPMs基于补丁检测脑MRI异常，在公共数据集上性能优异。

其他应用和多任务

Gong等利用扩散模型半监督学习量化脑中线偏移；Keicher等用扩散自编码器对椎骨骨折分级；Chung等的R2D2+模型解决MRI图像去噪和超分辨率问题，在特定数据集上优于传统方法；Hamamci等用分层多标签方法检测全景X射线中的异常牙齿。

未来趋势

探索更多模态：目前研究多集中于CT和MRI，未来可探索超声等其他模态。
改进表示空间：扩散模型在潜在空间表示语义信息不足，需开发能学习有意义表示的模型。
优化架构设计：目前网络结构以CNN为主，可进一步研究transformer在其中的应用。
因果推断等应用：扩散模型可用于因果推断、反事实生成等任务，但仍需深入研究。
隐私保护：需开发隐私保护训练方法解决扩散模型的隐私问题。
联邦学习结合：与联邦学习结合可在保护隐私同时提高模型性能。
强化学习应用：用强化学习优化扩散模型的逆问题求解过程。

不同生成模型的原理

这张图片展示了不同的生成模型，并概述了它们的基本原理。

图(a)：GAN（生成对抗网络）这是一个端到端的流程，通过对抗的方式训练生成器，生成判别器难以与真实数据样本区分的样本。判别器和生成器相互博弈，促使生成器生成更逼真的样本。
图(b)：基于能量的模型（Energy-based Models）也称为非归一化概率模型，训练方式与GAN类似，但有两个主要修改。首先，判别器学习一个适当的能量函数，将数据样本映射到分布空间；其次，生成器利用先验输入来增强样本生成性能。
图©：变分自编码器（VAE）是一个独立的网络，编码器将数据样本投影到低维潜在空间，解码器通过从潜在空间采样来生成样本。
图(d)：基于流的模型（Flow-based models）利用可逆流函数将输入转换到潜在空间并生成样本，在采样过程中，通过反向过程中和每一步添加的噪声。
图(e)：扩散模型（Diffusion Models）展示了数据从原始样本 $x_0$ 逐步添加噪声，经过 $x_1$ 、 $x_2$ 等，最终变成噪声 $z$ 的过程，以及反向去噪生成样本的过程。

这些模型都是生成式模型，用于生成新的数据样本，但它们的原理和实现方式有所不同，各有优缺点，在不同的应用场景中发挥着重要作用。例如，GAN生成样本快但模式覆盖差；VAE和基于流的模型能覆盖数据模式，但采样质量不佳；扩散模型在模式覆盖和采样质量上表现较好，但采样速度慢。

二、双通道原型网络：病理图像小样本分类的新突破

DOI 10.1109/JBHI.2024.3386197

一作&通讯

作者类型	姓名	单位
第一作者	Hao Quan	中国沈阳东北大学医学与生物信息工程学院
第一作者	Xinjia Li	中国沈阳东北大学医学与生物信息工程学院
第一作者	Dayu Hu	中国湖南长沙国防科技大学计算机学院
第一作者	Tianhang Nan	中国沈阳东北大学医学与生物信息工程学院
第一作者	Xiaoyu Cui	中国沈阳东北大学医学与生物信息工程学院
通讯作者	Xiaoyu Cui	中国沈阳东北大学医学与生物信息工程学院

文献概述

这篇文章提出了双路原型网络（DCPN），旨在解决小样本病理图像分类问题。

该模型结合了金字塔视觉变换器（PVT）和卷积神经网络（CNN），有效挖掘多尺度病理特征，提升了原型表示的泛化性。实验表明，DCPN在多个数据集和任务中表现优异，在同域任务中，其 1 次、5 次、10 次射击设置下的准确率分别达到 70.86%、82.57%、85.2%，超过了原型网络和部分现有方法。

研究背景

病理切片对癌症诊断至关重要，但传统人工诊断耗时且易受主观影响，深度学习虽有潜力，但医学图像标注数据获取困难。
小样本学习（FSL）可应对数据稀缺问题，在自然图像分析有进展，但在病理图像领域研究较少。现有 FSL 方法如基于数据增强、元学习、度量学习等，各有优缺点，且 CNN 作为原型网络嵌入网络存在局限，视觉变换器（ViT）虽有优势但难以直接应用于 FSL，如何扩展 ViT 架构并提升原型表示是待解决问题。

方法构建

问题定义

采用 FSL 范式定义病理图像分类任务，将其视为 N 路 K 次元学习框架，分为元训练和元测试阶段，构建包含支持集和查询集的元任务，数据分别从基础数据集和新类别数据集采样，若两者有交集则为广义小样本学习。

DCPN 方法

PVT 模型自监督预训练：选择 PVT 作为病理图像全局特征编码器，采用基于均匀掩码策略的 MAE 进行预训练。均匀掩码包括均匀采样和二次掩码两个阶段，将输入图像分块后按策略采样并处理，编码器采用含四个阶段的 PVT，经 PixelShuffle 操作后由解码器重建图像，用均方误差（MSE）损失函数优化。
多尺度原型表示构建：用预训练的 PVT 提取全局特征，CNN 提取局部特征，经 PCA 降维处理后连接得到混合语义特征，以支持集中每类图像特征均值构建多尺度原型表示矩阵。
多尺度特征软投票分类器：基于查询样本与各类别原型在多尺度特征空间的欧氏距离，经负指数函数和 softmax 函数计算类别概率，选择概率最高的类别作为预测结果，用交叉熵损失函数训练。

实验部分

数据集

选用 CRCTP、NCTCRC、LC25000 三个公开组织学数据集，按分层抽样划分训练集和测试集，并根据新类别和基础类别来源定义同域、近域、混合域任务，用 t - SNE 可视化数据分布并计算欧氏距离评估任务难度。

实验设置

预训练阶段用 UMMAE 算法对 PVT 预训练，设置输入图像大小、批次大小等参数；FSL 阶段设置输入图像大小、批次大小等并使用 Adam 优化器；评估阶段随机抽取 1000 个元任务，以准确率为评估标准，处理类别不平衡问题。

对比实验

与匹配网络等多种先进 FSL 方法比较，DCPN 在准确率上优势明显，如在同域 10 次射击场景下超过其他经典方法和部分病理专用方法及最新算法，且计算复杂度低。
比较 11 种不同骨干网络在病理图像数据集上的分类性能，CNN 中 ResNet50 最佳，Transformer 中 PVT - small 最佳，最终选择两者作为双路嵌入网络骨干。

消融实验

评估预训练对 PVT 模型性能影响，自监督预训练使 PVT 单独作为编码器及在 DCPN 架构中性能均提升，CNN 可弥补 PVT 不足。
对比不同尺度特征影响，局部特征优于全局特征，混合特征更好，多尺度特征性能最佳，原因是 PCA 降维可能损失信息，软投票机制可动态调整特征影响。
比较余弦相似度和欧氏距离评估方法，欧氏距离在各场景下性能更优，因其能提供更多样本与原型差异信息。
在非病理图像数据集（微观外周血细胞图像）验证 DCPN 有效性，结果表明其性能优于其他 13 种典型 FSL 算法。
分析学习率、优化器、训练轮数等超参数对 DCPN 性能影响，确定最佳参数设置。

研究结论

提出的 DCPN 模型通过整合 PVT 和 CNN 挖掘多尺度特征，在小样本病理图像分类任务中表现突出，同域任务性能可比肩传统监督学习方法，但跨域任务性能随难度增加有所下降。

未来将探索大规模自监督预训练和域适应策略提升模型性能。

使用DCPN方法构建的小样本病理图像分类模型

这张图片展示了使用DCPN方法构建的小样本病理图像分类过程的概述。

图A展示了基于自监督学习对PVT模型的预训练过程

首先，使用未标记的数据（Unlabeled data），通过PVT（金字塔视觉变换器）模型进行处理，得到潜在表示（Latent Representation），然后通过解码器（Decoder）进行重建，这一过程是自监督学习（Self-supervised learning）的一部分，目的是让模型在无标注数据上学习到有用的特征表示。

图B展示了双通道网络的构建以及多尺度特征的提取

使用N-way K-shot的数据输入到DCPN中，DCPN由PVT和CNN（卷积神经网络）组成，分别提取全局（Global）、局部（Local）和混合（Mix）的潜在表示，然后基于这些表示构建原型表示（Prototypical Representation），包括全局、局部和多尺度的原型。

图C展示了小样本分类的实现过程

查询图像（Query）输入到DCPN中，同样得到全局、局部和混合的潜在表示，然后通过基于多尺度特征的相似性矩阵（Similarity matrix），结合软投票策略（Soft voting）进行预测（Prediction），从而实现小样本分类。

整体流程

首先通过自监督学习对PVT模型进行预训练，使其具备一定的特征提取能力；然后构建双通道网络，利用PVT和CNN提取多尺度特征并构建原型表示；最后利用基于多尺度特征的相似性矩阵和软投票策略对查询图像进行小样本分类。这一过程旨在解决小样本病理图像分类问题，提高模型在数据稀缺情况下的分类性能和泛化能力。

三、从多组学剖析 NSCLC 亚型与肿瘤微环境及染色体稳定性

一作&通讯

作者类型	姓名	单位
第一作者	Kyu Jin Song	韩国庆熙大学应用化学系、自然科学研究所，韩国首尔庆熙医科大学医学科学研究所生物医学科学与技术系
通讯作者	Kwang Pyo Kim	韩国庆熙大学应用化学系、自然科学研究所，韩国首尔庆熙医科大学医学科学研究所生物医学科学与技术系

文献概述

这篇文章通过对韩国非小细胞肺癌（NSCLC）队列及以往多组学研究数据进行综合多组学分析，确定了NSCLC的分子亚型，揭示了各亚型与染色体不稳定性、肿瘤微环境的关联，为精准医疗和个性化治疗提供依据。

研究背景与方法

肺癌是全球重大健康问题，NSCLC占比较高且生存率有待提高。高通量组学技术虽有助于NSCLC分子亚型分类，但现有研究存在局限，如多关注单一亚型、预后预测不足、对术后辅助治疗分子基础研究少等。
本研究收集韩国229例NSCLC患者样本及462例以往研究患者数据，进行基因组、转录组、蛋白质组、磷酸化蛋白质组和乙酰化蛋白质组分析，并整合单细胞RNA测序数据，对肿瘤浸润淋巴细胞等进行组织学评估，预测新抗原和隐蔽肽，分析辅助治疗效果。

NSCLC亚型鉴定结果

多组学分析确定亚型：对229例韩国患者样本分析，鉴定出五种多组学亚型，代谢型（Subtype 1）主要为EGFR和TP53突变的LUAD女性患者，与氧化磷酸化等代谢途径相关；肺泡样型（Subtype 2）以LUAD患者为主，EGFR突变且无全基因组加倍（WGD）事件，IL - 33和Notch通路磷酸化上调；增殖型（Subtype 3）与WGD、TP53和PIK3CA突变相关，在LSCC患者中更常见，细胞周期相关通路富集；缺氧型（Subtype 4）无特定组织学类型，与转移相关，缺氧、PI3K - Akt等通路磷酸化位点上调；免疫原性型（Subtype 5）肿瘤浸润淋巴细胞比例高，免疫相关通路富集，KRAS突变较多。
验证与新亚型特征：利用462例患者数据验证亚型分类，发现Subtype 4在不同研究中具有独特性。Subtype 4中多数特征为磷酸化位点，CSNK2A1和GSK3B激酶活性显著上调，SLK（S347）和LRRFIP1（S581）磷酸化与不良预后相关，涉及HIF - 1和PI3K - AKT等信号通路，在韩国队列中生存较差，转移率高，但在综合队列中总体生存无显著差异。

NSCLC亚型的细胞与分子特征

肿瘤微环境细胞特征：通过单细胞RNA测序数据对比分析，Subtype 1和3的差异表达基因在肿瘤细胞类型中富集，Subtype 2、4、5分别在中性粒细胞、肿瘤相关中性粒细胞和免疫相关细胞类型中富集，且与组织病理学特征相符，如Subtype 1和2多为中高分化腺癌，Subtype 3为鳞癌及部分实体为主腺癌等。
WGD相关特征：Subtype 3是主要的增殖亚型，75%患者有WGD，与CN14等拷贝数特征相关，有SOX2扩增和TP53突变共现等特点，蛋白质、PTMs和激酶在细胞周期通路上调，对WGD阳性LSCC类器官用selinexor治疗敏感性高；Subtype 1部分患者有WGD，与EGFR和肿瘤抑制基因突变共现相关，驱动基因和通路与Subtype 3不同。
免疫微环境特征：基于细胞类型和通路聚类确定三个免疫簇，热肿瘤富集型（HTE）、冷肿瘤富集型（CTE）和正常组织富集型。HTE肿瘤免疫细胞丰富，与患者良好预后相关，通过分析免疫调节剂等发现SMARCA4突变与SLAMF7表达及HTE状态相关，Subtype 5富含免疫原性，在HTE组和低隐蔽MHC I类相关肽（MAPs）负载组中富集，对该亚型患者辅助化疗可显著提高生存率。

研究意义与局限

本研究全面描绘了NSCLC多组学亚型，为个性化治疗提供指导，如Subtype 3可考虑用selinexor治疗，Subtype 5对辅助化疗敏感等，但也存在局限，如用外显子测序推断WGD不够准确、存在种族差异、隐蔽MAPs验证有限、需前瞻性研究验证药物有效性等。

小罗碎碎念

一、医学成像中扩散模型的应用综述与展望

文献概述

不同生成模型的原理

二、双通道原型网络：病理图像小样本分类的新突破

文献概述

研究背景

相关工作

方法构建

实验部分

研究结论

使用DCPN方法构建的小样本病理图像分类模型

三、从多组学剖析 NSCLC 亚型与肿瘤微环境及染色体稳定性

文献概述

相关文章：