本文研究了深度学习技术在自然语言处理中是否可以有效用于患者表型特征提取和预测,并与传统 NLP 方法进行比较。结果表明,卷积神经网络是一种性能优良且易解释的深度学习方法,可以有效提高患者表型预测的性能,降低注释复杂度,并自动学习与每个患者表型相关的短语。
Mar, 2017
本篇研究介绍一种更严谨的方法来预测深度学习中的规模效益,提供了一种可靠的方法来估计缩放参数并通过发布基准数据集以帮助该领域的研究。
Sep, 2022
利用深度学习辅助数字病理学有潜力在临床实践中产生重大影响,但深度神经网络 (DNN) 的解释性不足成为制约其临床解释性的主要问题。研究旨在通过一种新方法来研究 DNN 的预测特征长度尺度,从而更好地评估 DNN 在解释数字显微镜图像中的特征使用。研究使用脑转移为例,突出了 DNN 在 H&E 染色组织切片图像上预测脑转移的注意力定位层次,有助于了解 DNN 的预测能力和其最佳学习要求。
Jun, 2024
提出一种基于 DNN 的方法,结合了不确定性信息和校准技术来提取化学物质 - 蛋白质之间的相互作用。该方法能够估算数据不确定性并提高模型可靠性,同时改善性能并保持高校准能力。
Nov, 2020
从数据中心的观点出发,本文研究了分子表示学习的神经缩放行为,在数据量、数据质量和模型容量等四个关键维度上,证实了数据量和分子表示性能之间的一致性幂律关系,并通过详细分析,发现了提高学习效率的可能途径。
Sep, 2023
本研究介绍了如何利用一次性学习来大幅降低药物研发预测所需的数据量,通过引入深度学习框架 DeepChem 的新架构残留 LSTM 嵌入和图卷积神经网络的组合,该方法在小分子化合物距离度量上取得了显著的进展。
Nov, 2016
该论文介绍了使用基于深度神经网络的机器学习方法来改进药物发现过程中分子属性预测的性能,包括设计出的 PotentialNet 结构和 EF$_{chi}^{(R)}$ 指标以及交叉验证策略等,并在多个基于配体的任务中验证了模型性能的创新性。
Mar, 2018
我们研究了图神经网络的扩展行为,发现其在深度、宽度、分子数量、标签数量以及训练数据多样性上的扩展规律,取得了 30.25% 的性能改善(参数扩展至 10 亿)和 28.98% 的性能改善(数据集扩展至八倍)。此外,我们在 38 个任务上展示了很好的微调扩展行为,优于之前的大型模型,为基础图神经网络在制药药物研发领域迈出了重要的一步。
Apr, 2024
光学成像技术在过去二十年取得了巨大发展,通过新的光学器件、指示剂和实验模式,我们现在能够进行从突触到大脑皮层的体内成像。为了应对不同尺度下产生的大量数据,我们不断开发计算方法以提取与生物相关的信息。本文旨在讨论算法设计中的限制和权衡,以确定数据质量和可变性如何阻碍算法的使用和传播。
Feb, 2024
文章综述了自然语言处理在电子健康记录领域的应用,重点介绍了计算表型学方法,包括基于关键词搜索和基于规则的系统等算法,以及监督式机器学习模型、深度学习和非监督式学习等最近受到关注的算法。同时文章指出在病历中特征关系的处理、模型可解释性和推广性等方面仍有待解决的问题。
Jun, 2018