Jan, 2022

医学网络自监督表示学习在药物开发中的多任务联合策略

PDF
TL;DR本文中提出了一种名为 MSSL2drug 的多任务自我监督表征学习的生物医学网络方法，使用基于图注意力机制的对抗学习框架， 评估了包括结构，语义和属性在内的多种模态特征的六种基本任务，其中的多模态、局部 - 全局组合策略可以被看作是多任务自我监督表征学习用于药物研发的指南。
self-supervised representation learningbiomedical networksdrug discoverymulti-task joint strategiesgraph attention-based multi-task adversarial learning
发现论文，激发创造
  • 多模态信息下的分子联合表示学习

    本文提出了一种新的分子联合表示学习框架，通过 SMILES 和分子图的多模态信息进行多模态融合，改进了自我注意力机制，并进一步提出了双向消息传递图神经网络来增强从图中聚合的信息流以进一步组合。我们通过公共性质预测数据集上的大量实验证明了我们的模型的有效性。

    Nov, 2022

  • 面向推荐的多行为自监督学习

    本研究提出一种多行为自监督学习（MBSSL）框架，包括一种自我注意力机制和行为感知图神经网络，该框架可用于应对稀疏目标信号和嘈杂的辅助交互。此外，通过梯度的混合操作，开发了一种自适应优化策略，并在五个真实世界的数据集上对该方法进行了广泛的实验.

    May, 2023

  • 联合自监督图像体表示学习：基于内外对比聚类

    本文提出了一种用于医学数据的自监督深度学习的框架，该框架可以联合学习 2D 和 3D 数据，通过用变形注意力机制构建整体特征，并利用预训练语言模型进行掩蔽嵌入预测，提高了 2D Deep-ClusterV2 和 SwAV 的效果，并超越了各种现代 2D 和 3D 自监督学习方法。

    Dec, 2022

  • JSSL: MRI 重建的联合监督与自监督学习

    该研究提出了一种名为 JSSL（联合监督和自监督学习）的深度学习方法，用于在目标数据集不完全采样的情况下，通过同时利用代理数据集和目标数据集，提高 MRI 重构的质量。实验证明，JSSL 方法相较于传统的自监督训练方法有了明显的改进，从而凸显了该联合方法的有效性。

    Nov, 2023

  • 基于双任务一致性的半监督医学图像分割

    本文提出了一种双任务一致性半监督框架，以显式构建任务级别正则化而非隐式构建网络和 / 或数据层扰动 - 变换以实现医学图像分割的半监督学习，并通过两个公共数据集上的实验证明了其性能优于现有的半监督医学图像分割方法。

    Sep, 2020

  • 从分子到支架到功能团：通过多通道学习构建具有上下文依赖性的分子表示

    使用自监督学习和分子结构内的层次知识，该论文提出了一种新的学习框架，从而可以准确预测分子属性并在各种基准测试中取得竞争性表现。

    Nov, 2023

  • 联合多任务学习改进计算机病理学中的弱监督生物标记物预测

    通过弱监督的方式，我们开发了一个联合多任务 Transformer 架构，用于预测肿瘤学领域的两个关键预测生物标志物：微卫星不稳定性和同源重组缺陷，并通过辅助回归任务相关于肿瘤微环境，对此进行了培训和评估。使用我们的新方法，在外部队列中，相对于接收器操作特性下的最佳结果，对于预测微卫星不稳定性和同源重组缺陷，分别提高了 7.7％和 4.1％，同时通过 8％和 5％的更好嵌入聚类获得了更好的结果。

    Mar, 2024

  • 基于互模态重构和特征投影网络的自监督学习用于高效标签 3D 到 2D 分割

    本研究提出一种卷积神经网络和自监督学习的方法，用于在有限标记数据情况下进行高效的三维到二维分割，通过在临床相关任务中验证，证明该方法比现有技术在有限标记数据情况下显著提升了分割性能，并且自监督学习方法可以进一步提高性能，而且对于网络架构无关。

    Jul, 2023

  • 有限标注医学图像分割的全局和局部特征的对比学习

    本文介绍了一种利用自监督学习和对比学习实现的影像分割技术，该技术可以在大量没有标注数据的情况下学习，并且在三个磁共振成像数据集上验证了其有效性。

    Jun, 2020

  • 临床时间序列的序列多维自监督学习

    自我监督学习在临床时间序列数据中的应用引起了广泛关注，本文提出了一种新的自我监督学习方法 —— 顺序多维自我监督学习 (Sequential Multi-Dimensional SSL)，在序列的整体和个体高维数据点级别上应用自我监督损失以更好地捕捉两个尺度上的信息。实验证明，使用本方法进行预训练并在后续任务中微调可以提高性能，并在不同自我监督损失函数中取得改进。

    Jul, 2023