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

电子健康记录（EHR）系统的广泛采用为我们带来了大量临床数据，从而为基于数据的医疗研究提供了解决医疗领域各种临床问题的机会。机器学习和深度学习方法因其能够从原始数据中挖掘洞见的能力，被广泛应用于医疗信息学和医疗领域。在将深度学习模型应用于电子健康记录数据时，必须考虑其异构性：电子健康记录包含来自多种来源的患者记录，包括医学检测（如血液检测、微生物检测）、医学影像、诊断、用药、操作、临床记录等。这些

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

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

深度伪造风靡全球，引发了信任危机。当前的深度伪造检测方法通常在泛化性方面不足，容易对图像内容如背景进行过拟合，而这些内容在训练数据集中虽然常见但相对不重要。此外，现有方法严重依赖少数主要伪造区域，可能忽略其他同样重要的区域，导致伪造线索的发现不足。本文旨在从三个方面解决这些不足：（1）我们提出创新的双流网络，有效扩大模型提取伪造证据的潜在区域。（2）我们设计了三个功能模块，以处理协作学习方案中的多