Oct, 2023

医学中的图形人工智能

PDF
TL;DR临床人工智能中的图表示学习，特别是通过图神经网络 (GNN)，以其捕捉结构化临床数据中复杂关系的能力而脱颖而出。图人工智能通过将模态作为通过它们的关系相互连接的节点整体地处理数据，从而促进了模型在临床任务之间的转移，使模型能够在没有额外参数或最小重新训练的情况下推广到患者群体。然而，人类中心设计和模型解释能力在临床决策中的重要性不容忽视。由于图人工智能模型通过定义在图关系上的局部神经变换捕捉信息，它们在阐明模型的合理性方面既带来机遇又带来挑战。知识图谱可以通过将模型驱动的见解与医学知识相结合来增强解释性。新兴的图模型通过预训练整合多种数据模态，促进互动反馈循环，促进人工智能和人类的合作，为临床意义的预测铺平了道路。
clinical artificial intelligencegraph representation learninggraph neural networksinterpretabilityknowledge graphs
发现论文，激发创造
  • 基于图表示的患者医疗状况预测：朝向数字孪生

    本文提出了一个框架，将 AI 算法和数学建模相结合，以提供全面的生理条件视图，并展示了整体有机体概率模拟和分子数据驱动的临床模型集成的潜力，这有助于解决将多尺度计算模型与 AI 相结合的重要技术挑战，从而实现了医疗保健的数字孪生兄弟的目标。

    Sep, 2020

  • 基于图的医学诊断与分析的深度学习：过去、现在和未来

    本文系统地概述了图神经网络在医疗保健领域中的应用，包括功能连接、解剖结构和基于电信号的分析，并讨论现有技术的局限性和未来研究的方向。

    May, 2021

  • 图神经网络：方法和应用综述

    本文介绍了图神经网络（GNNs）的设计管道，详细讨论了其各个组成部分的变体，对其应用进行了系统分类，并提出了四个开放性问题供未来研究。

    Dec, 2018

  • 利用图神经网络探究定制化医疗决策算法

    利用图神经网络（GNN）算法，该研究在医学和健康领域创新性地整合了图神经网络技术，并通过挖掘患者的临床特征、基因信息和生活习惯之间的复杂关联，构建了高精度的患者健康状况表示模型。实验证实，相比传统机器学习方法和单一图神经网络模型，该个性化医学决策算法在疾病预测准确性、治疗效果评估和患者风险分层等方面表现出显著优越性。

    May, 2024

  • 脑图学习的图神经网络综述

    探索人脑的复杂结构对于了解其功能和诊断脑部疾病至关重要。最近通过将人脑建模为具有图结构的模式来研究，其中不同的脑区表示为节点，这些区域之间的功能关系表示为边。此外，图神经网络（GNNs）在挖掘图结构数据方面显示出明显优势。近来，开发用于脑部疾病分析的 GNNs 进行脑图表示学习已引起越来越多的关注。然而，目前缺乏对该领域中当前研究方法的系统调查。本文旨在通过回顾利用 GNNs 进行脑图学习的研究工作来填补这一空白。我们首先介绍基于常见神经影像数据的脑图建模过程。随后，我们根据生成的脑图类型和目标研究问题对目前的工作进行系统分类。为了使这项研究能够为更广泛的研究人员群体所用，我们概述了代表性的方法和常用数据集，并提供其实施源。最后，我们对未来研究方向给出了我们的见解。该调查的存储库可访问 https://github.com/XuexiongLuoMQ/Awesome-Brain-Graph-Learning-with-GNNs。

    Jun, 2024

  • 图神经网络中的信息流：临床分诊案例

    在本文中，我们调查了图神经网络中嵌入信息的流向如何影响知识图谱中链接的预测，并提出了一个将领域知识融入到图神经网络连接性中的数学模型。我们的结果表明，将领域知识融入到图神经网络连接性中比使用相同连接性或允许无限制的嵌入传播能够取得更好的性能。此外，我们还发现负边在预测中起着至关重要的作用，并且使用太多的图神经网络层可能会降低性能。

    Sep, 2023

  • 导航医疗洞察力：知识图谱下的可解释性透视

    知识图谱在医疗人工智能中扮演重要角色，尤其在药物发现和制药研究方面，通过提供结构化的方式整合多样化信息源，增强了人工智能系统的可解释性。该综述总结了知识图谱在医疗行业的最新文献研究，以及其在开发可解释人工智能模型中的作用。重点介绍了知识图谱的工作流程，包括构建、关系提取、推理，以及在药物相互作用、药物靶标相互作用、药物开发、不良药物反应和生物信息学等领域的应用。强调了通过在医疗领域运用具有知识注入的学习方法，使知识图谱更具可解释性的重要性。最后，提出了研究挑战，并为未来的发展方向提供了见解。

    Sep, 2023

  • 一切皆有联系：图神经网络

    本文概述了图表示学习的关键概念与相关领域，并指出了图表示学习在交通预测、社交网络分析、推荐系统、药物研发等应用领域中的重要性，以及与图表示学习相关的机器学习应用领域。

    Jan, 2023

  • 基于连接组学的大脑疾病分析可解释化图神经网络

    该研究提出了一个可解释性的框架，用于分析特定于疾病的感兴趣区域和突出连接。该框架包括一个面向脑网络的预测模型和一个全局共享的解释生成器，该生成器突出了特定于疾病的生物标记物。实验证明，该框架可以获得出色的性能并识别有意义的生物标记物。

    Jun, 2022

  • 人类中心的图神经网络解释的设计要求

    图神经网络为各领域的强大基于图的机器学习模型，但复杂的数据表示妨碍了对其预测解释的可理解性，从而减少了对其的信任和合作机会。该研究旨在为非技术领域专家提供可理解的图神经网络解释，并提出了一套以人为中心设计的解释要求，并通过两个示例原型来演示了其中一些建议的要求。

    May, 2024