基于图神经网络的肺癌表示学习 背景介绍 随着数字病理学的快速发展，基于图像的诊断系统在精确病理诊断中变得越来越重要。这些系统依赖于用于全切片图像（Whole Slide Images, WSIs）上的多实例学习（Multiple Instance Learning, MIL）技术。然而，如何有效表示WSIs仍然是一个亟需解决的问题。深度神经网络的出现使得视觉计算取得了突破性进展，但面对每个WSI中庞大的像素量，现有的神经网络方法仍面临巨大挑战。近年来，一些研究已经探索了基于图的模型，以期在嵌入和表示WSIs的过程中捕捉图像中的复杂关系。 文章来源 本文的研究由以下作者完成：Rukhma Aftab, Yan Qiang, Juanjuan Zhao, Zia Urrehman和Zijuan ...

利用肿瘤边缘可视化的双通道近红外荧光实现精准安全的肺段切除术 肺癌是全球癌症相关死亡的主要原因。据统计，自从应用计算机断层扫描筛查技术以来，肺癌的早期检测率大大提高，从而显著降低了死亡率。研究显示，近年来早期非小细胞肺癌（Non-Small Cell Lung Cancer, NSCLC）的发病率显著上升，其三年生存率从21%提升到了31%。对于早期NSCLC或心肺功能受损的患者，精准的有限切除手术如肺段切除术，不仅可以提高整体生存率，还能更好地保留肺功能。肺段切除术的成功关键在于术中同时识别癌组织和肺段面。然而，由于高背景信号和成像探针血清稳定性差等问题，准确识别手术边缘面临挑战。 本文主要研究了一种新的方法，即采用双通道近红外荧光成像技术，通过可清除肾脏并具备良好理化稳定性的靶向荧光染料...