MGI: 基因组和医学影像的多模态对比预训练
该研究提出了一种基因诱导的多模态预训练(GiMP)框架,通过整合基因组学和全面切片图像(WSIs)进行分类任务,处理了多模态图像组合分类的主要挑战,并实现了 99.47% 的准确率。
Sep, 2023
该论文提出了一种自监督学习算法,名为 ContIG,可从未标记的医学图像和遗传数据中学习,通过对图像和遗传数据之间的交叉模态关联进行学习,该算法在多个基准测试任务中表现良好,在了解了有关模型学习的有趣关系后,还开展了基因组广泛联想研究。
Nov, 2021
本文提出了一种新的不完全多模态数据整合方法,利用变压器和生成对抗网络,利用辅助模态数据来提高单模态模型的性能,并将其应用于预测阿尔茨海默病的认知退化和疾病结果。
May, 2023
使用多模态机器学习方法,结合罕见遗传病的面部特征和人工智能算法,可以缩小罕见疾病的基因诊断范围并帮助基因组 / 外显子测序数据重解释。
Dec, 2023
该研究介绍了一种结合 SimCLR 和 SCARF 的自监督对比学习框架,使用心脏 MR 图像和 120 项临床特征预测冠状动脉疾病风险,并展示了标签作为特征的监督式对比学习的性能。
Mar, 2023
该研究提出了一种结合了 CNN 和 transformer 的方法 ——TransMed,在多模态医学图像分类中取得了很好的性能,这一方法为医学图像分析任务开启了更多可能性。
Mar, 2021
MedM2G 是一个医疗多模态生成框架,通过统一的模型实现医疗多模态对齐、提取和生成,以及在医疗诊断中提升特定医疗信息和灵活的多模态交互,成功完成了文本到图像、图像到文本和医学模态的统一生成任务,并在 10 个数据集上持续领先于各种最先进的方法。
Mar, 2024
利用多模态成像、深度学习和对比学习方法,从多模态 MRI 数据中学习鲁棒的潜在特征表示,将异构特征投影到共享空间,整合不同模态和类似主体间的互补和类似信息,进而提高了异常神经发育的预测能力和计算机辅助诊断的功效。
Dec, 2023
提出了一种多模态变压器模型 (PathOmics),将病理学和基因组学洞察力结合到结直肠相关癌症存活预测中,通过无监督预训练来捕捉吉格像素全幅图像和各种基因组数据之间的固有互动,并且在预训练的多模态知识聚合后,我们的任务特定模型微调可以扩大适用于多模态和单模态数据(如仅图像或基因组)的数据效用范围,验证结果表明我们的方法在 TCGA 结直肠癌队列上是具有竞争力的并且胜过现有研究。
Jul, 2023
本文提出了一种名为 MedViLL 的多模态自然语言处理模型,基于 BERT,使用一种新颖的多模态注意力掩码机制,通过在医学领域内的广泛一系列的多模态表现学习任务,包括影像报告分类、影像报告检索、影像问题回答和放射学报告生成,进行了统计和严格的评估,证明了 MedViLL 在各种基线上的优越性能表现,尤其是在三个影像报告数据集(MIMIC-CXR、Open-I 和 VQA-RAD)上的实现。
May, 2021