基于H&E图像和基因表达数据的多模态深度学习模型预测胃癌生存风险

胃癌作为高发恶性肿瘤,其致死率近年来居高不下,因此精准预测胃癌患者的生存风险对于治疗至关重要。文章提出了一种基于多模态深度学习的预测模型,旨在评估胃癌患者的生存风险。该模型整合了H&E(Hematoxylin-Eosin staining)染色图像和基因表达数据,首先,采用ResNet18卷积神经网络模型提取深层H&E图像信息,将其编码为一维特征向量。其次,采用多模态紧凑型双线性池化方法,将图像特征与基因表达数据进行融合,用于预测胃癌患者的风险分数。在TCGA的胃癌样本中,该模型的一致性指数(c-index)为0.70。在测试集上进行的Kaplan-Meier分析结果显示,模型成功地区分出高风险群和低风险群。结果表明,该模型在区分胃癌患者风险层次方面表现出色,具有显著优势。

一种精确的结构损伤程度估计方法

采用模态应变能变化率方法进行结构损伤识别、定位,并提出了一种只需低阶模态即可精确求解损伤程度的方法.通过算例表明,该方法不仅能够精确的估计损伤程度,而且具有良好的抗噪性,并能够智能修正损伤定位所产生的误判,方法简单,具有很强的实用性.

基于MotionView整车虚拟试验场仿真的后转向节强度分析

由于车辆行驶状况复杂多样,传统静态工况无法复现各类恶劣路况下后底盘转向节真实应力,因此在利用MotionView建立整车刚柔耦合多体动力学模型的基础上,将后转向节利用柔性体进行模拟;在进行虚拟试验场仿真分析的同时采用模态综合法计算结构动应力,得到后转向节最高应力位置及发生时刻.仿真结果与整车道路试验结果的对比表明仿真方法准确.

基于应变模态的结构损伤识别与定位研究

探讨了用应变模态对结构损伤进行分析的原理及损伤识别与定位的方法。以悬臂结构为研究对象,分析比较了因结构损伤引起的自振频率、位移模态和应变模态的变化。结果表明,应变模态对结构局部损伤的反应敏感,是对结构进行损伤诊断的较理想的损伤识别指标。