小罗碎碎念
下面这张图，选自我09-13发表的推文，昨天有一位师姐发消息问我这张图源自哪篇文献，我当时在外面交流，所以给错了一篇文献。晚上回来以后，觉得怪怪的，然后又去找了一下，发现果然给错了。
这张图选自Jakob Nikolas Kather发表的一篇综述，我放在推文末尾了。这张图我非常喜欢，因为它是分析了534篇文献以后得出的图，所以我把它选进了我的某次汇报中。
另外，文章还有介绍病理组学、基因组学和多模态在不同时间段的发文趋势，对于我们后续选择研究方向能提供一些帮助。
一、背景介绍
1-1：深度学习在基因组学和组织病理学中的应用流程
AI应用于患者诊断的一个示意图
具体步骤如下：
- 诊断与取样：患者被诊断为癌症，从肿瘤中取活检样本进行形态学和分子分析。图中显示了活检样本的显微镜图像。
- 数据转换与特征提取：活检信息被转换为计算机可用的数据，通常以图像或表格的形式呈现。从中提取出重要的特征。
- 深度学习模型：将提取的特征输入到深度学习模型中，以预测患者的诊断和预后性质。图中展示了深度学习模型的示意图，模型通过复杂的神经网络进行数据处理和预测。
这个流程展示了从患者取样到利用深度学习技术进行诊断和预测的整个过程。
1-2：文献筛选流程
人工智能（AI）在组织病理学和基因组学应用的研究流程图。
- 基本应用：- AI在组织病理学的基本应用：数量为724（n = 724）
- 高级应用：- AI在组织病理学的高级应用： - 预后（prognosis）：数量为745（n = 745）- 突变（mutation）：数量为223（n = 223）- 反应（response）：数量为99（n = 99）
- 基本应用：- AI在基因组学的基本应用：数量为579（n = 579）
- 高级应用：- AI在基因组学的高级应用： - 预后（prognosis）：数量为347（n = 347）- 突变（mutation）：数量为251（n = 251）- 反应（response）：数量为43（n = 43）
- 多模态应用：- AI在多模态应用（基因组学+组织病理学）：数量为37（n = 37）
- 总体数据：- AI在组织病理学和基因组学的总体数据：数量为3048（n = 3048）
- 排除数据：- 重复（duplicates）：656（n = 656）- 综述（Reviews）：277（n = 277）- 非英语（not in English）：21（n = 21）- 与审查主题无关（unrelated to the review topic）：1560（n = 1560）
- 最终数据：- 组织病理学：数量为358（n = 358）- 基因组学：数量为148（n = 148）- 多模态：数量为28（n = 28）
二、人工智能在组织病理学和临床基因组学中的应用
2-1：每个应用类别在组织病理学、临床基因组学和多模态方法方面的论文数量
这张图的表达形式值得借鉴，很容易让读者量化不同领域发表的论文数量。
基础领域和高级领域，病理的发文数量都是最多的。而病理组学领域，发文数量最多的，是预后相关的研究。
从这张图我们很可以很明显的看出来，目前大家对于基因组学和多模态的研究还有非常大的晋升空间，这也侧面反映了从事这两方面研究的困难性，但是风险与机遇并存。
2-2：从2016年到2023年，每个应用类别针对组织类型找到的论文数量
从这张图我们可以方向，三种类别中，都包含预后和突变的任务，尤其是预后的任务，每种类别中都是最多的。
之前我一直都推荐大家从事多模态的研究，看完这图，我可以再分析的详细一些——多模态的研究要盯着预后和突变预测，以及肿瘤起源的任务；哦，对了，还有一个很有意思的方向——癌症预警，我暂时还没有成型的想法，不过直觉告诉我这个方向能发现不少很有意思的现象。
三、参考文献
今天推文中的配图均来源于下面这篇文章。
这篇文章虽然分数不高，但是我选中它的意义不在于这篇文章本身的水平，而是在于作者的科研思路——同一个作者，相似的内容，发两篇文章，下面这篇文章发表在Genome Medicine（IF=10.4，一区）。
这篇文章，配图还是比较精美的，毕竟是Jakob Nikolas Kather出品的。
我是罗小罗同学，下期推文见！
版权归原作者 罗小罗同学 所有， 如有侵权，请联系我们删除。