结合机器学习的多组学数据分析有望显著改善癌症诊断和预后。传统机器学习方法通常仅限于组学测量，省略了现有领域知识，如连接不同组学数据类型中分子实体的生物网络。在此，我们开发了一个基于Transformer的可解释深度学习模型DeePathNet，将癌症特异性通路信息整合进多组学数据分析中。利用包括ProCan-DepMapSanger、癌症细胞系百科全书和癌症基因组图谱在内的多种大数据集，我们证明并

生存预测对于指导癌症治疗和评估治疗效果至关重，肿瘤的异质性带来了准确预后的挑战。多模态学习整合了影像学、基因组学和临床记录的数据，为这一复杂任务提供了有前景的方法。虽然近期研究主要聚焦于影像和基因组数据，但反映患者整体健康的临床信息因其离散、稀疏且低维特性而未被充分利用。我们提出SurvPGC，这是一种结合病理图像、基因组数据和临床记录的综合模型，用于癌症预后。临床信息通过文本模板和基础模型转化为

尽管深度学习模型在过去几年在多个领域取得了巨大成功，但它们通常数据需求大，在未见样本上表现不佳，且缺乏可解释性。目标领域中通常存在不同类型的先验知识，这些知识的使用可以弥补深度学习的不足。为了更好地模拟人脑的行为，提出了多种先进方法来识别领域知识并将其集成到数据高效、可推广且可解释的深度学习模型中，我们称之为知识增强深度学习（KADL）。在本综述中，我们定义了KADL的概念，并介绍了其三大主要任务

深度学习在图像、音频和文本方面取得了进步，但表格数据中异质性和相关性较弱等挑战依然存在。本文介绍了FT-Mamba架构，该架构将FT-Transformer的功能与Mamba的高效性结合，实现高效且可扩展的顺序数据处理。它还通过随机增强、数据平衡和自蒸馏来提升性能。该工作为表式数据的深度学习提供了新颖的见解和工具，提升了其在现实世界中的实际应用。总之，FT-Mamba模型为复杂的表格数据深度学习任

目前大多数阿尔茨海默病(AD)和轻度认知障碍(MCI)研究使用单一数据模式来预测AD阶段。多个数据模式的融合可以提供AD分期分析的整体视图。因此，我们使用深度学习(DL)对成像(磁共振成像(MRI))、遗传(单核苷酸多态(SNPs))和临床测试数据进行综合分析，将患者分为AD、MCI和对照组(CN)。我们使用堆叠式去噪自动编码器从临床和遗传数据中提取特征，并使用3D卷积神经网络(CNN)来处理成像

精确肿瘤学在解释复杂的细胞信号和预测跨异质癌症环境的药物反应方面面临着关键挑战。在这里，我们提出了BioGDR，一个多模态可解释的深度学习框架，它集成了基于结构的预测生物特征差异基因表达和激酶抑制谱，消除了对实验测量的需要。通过通过路径信息图形神经网络对肿瘤转录状态进行建模，并采用药物引导的注意策略，BioGDR能够对化合物和细胞环境中的药物敏感性进行机械性的洞察。

背景：磁共振成像为研究酒精使用障碍（AUD）、尼古丁使用障碍（NUD）及遗传学研究的神经表型提供了非侵入性工具。基于数据的跨诊断方法有望为AUD和NUD的神经生物学提供新的视角。方法：利用英国生物样本库中AUD患者（n=140）、NUD患者（n=249）和健康对照组（n=461）样本，我们整合了临床、神经影像和遗传标志物，识别AUD和NUD的生物型。我们根据与临床指标相关的静息-功能连接性（FC）

跨模态目标检测旨在融合来自不同模态的互补信息以提高模型性能，从而实现更广泛的应用。然而，传统的基于CNN或Transformer的跨模态融合方法不能很好地处理伪目标信息问题，导致模型注意力分散从而降低目标检测性能。在本文中，我们研究了一种新的跨模态融合方法，通过在隐藏状态空间中关联跨模态特征，基于改进的Mamba和门控注意力机制。我们提出了Fusion - Mamba Block ( FMB )，

目前大多数阿尔茨海默病(AD)和轻度认知障碍(MCI)研究使用单一数据模式来预测AD阶段。多个数据模式的融合可以提供AD分期分析的整体视图。因此，我们使用深度学习(DL)对成像(磁共振成像(MRI))、遗传(单核苷酸多态(SNPs))和临床测试数据进行综合分析，将患者分为AD、MCI和对照组(CN)。我们使用堆叠式去噪自动编码器从临床和遗传数据中提取特征，并使用3D卷积神经网络(CNN)来处理成像

背景：磁共振成像为研究酒精使用障碍（AUD）、尼古丁使用障碍（NUD）及遗传学研究的神经表型提供了非侵入性工具。基于数据的跨诊断方法有望为AUD和NUD的神经生物学提供新的视角。方法：利用英国生物样本库中AUD患者（n=140）、NUD患者（n=249）和健康对照组（n=461）样本，我们整合了临床、神经影像和遗传标志物，识别AUD和NUD的生物型。我们根据与临床指标相关的静息-功能连接性（FC）