DASS Good: 空间队列数据可解释的数据挖掘
采用深度学习方法,训练了一种3D U-Net架构的自动分割算法,成功实现了21个头颈部放射敏感器官的自动分割,同时引入了表面Dice相似系数(surface DSC)一种能更好地反映纠正自动分割错误的临床任务的新指标,表明该模型在不同研究中心和国家具有较强的泛化能力,并可通过适当的验证研究和监管审批实现提高放射治疗路径的效率、一致性和安全性的目标。
Sep, 2018
本文提出了系统的集成专家人员的知识和AI推荐的方法,使用高斯过程模型和深度神经网络来量化医师和AI的推荐给出的治疗结果的不确定性,并将其用作指导临床医师和提高AI模型性能的准则,在一个综合数据集上演示了该方法
Feb, 2022
小儿脑和脊髓癌是儿童癌症相关死亡的主要原因。通过临床决策支持,在小儿神经肿瘤学中利用收集的丰富放射学成像数据,与其他领域相比,然而显著滞后。因此,我们提供了一种多机构、大规模的小儿数据集,包括 23,101 个经过例行护理收集的多参数 MRI 检查,适用于 1,526 名脑肿瘤患者,作为儿童脑肿瘤网络的一部分。这包括对各种癌症诊断的纵向 MRI,以及相关的临床患者信息、数字病理学切片以及组织基因型和组学数据。通过连续构建这些成像存储库的努力,我们的目标是加速发现和翻译 AI 模型,并利用实际数据赋予儿童精准医学能力。
Oct, 2023
应用大型语言模型( LLMs)对因果发现中边的方向性进行预测,我们研究表明,LLMs可以准确地预测因果图中边的方向性,并优于现有的最先进方法,这一发现表明LLMs在推进因果发现并帮助我们更好地理解复杂系统方面具有重要作用。
Nov, 2023
这篇论文综合研究了决策树、随机森林和XGBoost模型在胰腺癌数据集上的解释能力评估,并使用人机协同相关技术和医学指南作为领域知识的来源,以确定与胰腺癌治疗相关的不同特征的重要性。同时,这些特征不仅用于机器学习模型的降维,还用于使用无偏和非无偏解释技术评估不同模型的可解释性能力。为了便于解释结果的理解,提出了使用加权杰卡德相似系数等相似度度量方法。研究目标不仅是选择表现最佳的模型,还是能够最好地解释其结论并与人类领域知识相一致的模型。
Mar, 2024
本研究解决了肺癌淋巴结转移(LNM)预操作诊断不准确的问题,提出了一种新的集成方法,将大语言模型(LLMs)获得的医学知识与机器学习模型识别的潜在模式结合,以提升LNM预测性能。实验结果表明,GLPT-4o能够利用其医学知识和机器学习预测的概率,实现更准确的LNM预测,为临床风险预测提供了一种新范式。
Jul, 2024
该研究针对集中式机器学习在肿瘤学中存在的隐私问题和数据多样性利用不足的现状,系统评估了联邦学习在乳腺癌、肺癌和前列腺癌中的应用。研究发现,联邦学习在25项研究中有15项超越了集中式机器学习,显示其在临床设置中增强机器学习泛化性和保护数据隐私方面的有效性,对癌症研究具有重要的推动潜力。
Aug, 2024
本研究解决了知识基础规划中剂量预测的挑战,尤其是在数据隐私保护的情况下。提出了一种新的联邦学习框架FedKBP,通过评估集中、联邦和个体训练在不同数据分布下的效果,发现联邦学习在模型优化和测试性能上优于个体训练,并且在某些条件下表现接近集中训练。此研究强调了数据共享协作的重要性,以提高剂量预测的准确性。
Aug, 2024
本文解决了现有医疗人工智能模型在不同地区临床专家的多样性和经验不足的问题。提出的多中心专家混合(MoME)方法通过整合不同医疗中心的专业知识,提高了AI模型的适应性和泛化能力。研究表明,在前列腺癌放射治疗靶区描绘中,MoME方法的表现优于基线方法,具有广泛的临床应用潜力。
Sep, 2024