12:12
官方账号arXiv cs.LG@Pedro Henrique da Costa Avelar, Le Ou-Yang, Min Wu, Sophia Tsoka
推荐理由：这篇论文提出了一个能同时处理基因、蛋白质和miRNA数据的可解释深度学习框架，在乳腺癌生存预测上效果不错，适合关注多组学分析和可解释AI的读者。
Pathway Activity Autoencoders
共 1 条相关 AI 资讯
7月7日
12:12
该论文报道了Pathway Activity Autoencoders（PAA）框架，通过通路约束的架构实现多组学数据集成与可解释性。在乳腺癌数据集上，该方法在生存预测和亚型分类任务中验证了集成多组学数据的正面效果。分析表明，基因、蛋白质和miRNA表达层对最终性能贡献最大。重复性实验显示，dropout可提升模型鲁棒性，但过度正则化会降低预测性能。可视化展示了特征空间的临床相关性。