- 多种医学模态下的合成数据生成人工智能:最新发展及挑战的系统综述
本研究综述了生成模型在合成各种医学数据类型方面的广泛应用,探索了合成应用、生成技术和评估方法等方面的见解,强调了医学数据的唯一性和临床应用的需求。同时,研究也揭示了医学图像评估方法的不足之处,呼吁进行深入评估、基准测试和比较研究以促进开放和 - 在联邦学习环境中通过数据规范化提高高度不平衡的医学数据性能
提出了一种适用于高类别不平衡情况下学习的数据正则化算法在联邦学习环境中的应用,以提高心血管疾病预测模型的性能,并利用分布在联邦生态系统不同节点上的患者数据,不损害其隐私并实现更加资源敏感的分配。该方法在分散在不同客户端的四个心血管疾病预测数 - SNOBERT:SNOMED CT 临床术语中的临床记录实体关联基准
该研究提出了一种名为 “SNOBERT” 的方法,使用基于 BERT 的模型,将临床笔记中的文本片段与 SNOMED CT 中的特定概念进行链接,对医疗数据和医疗编码进行自动化处理,该方法在深度学习的基础上优于其他传统方法。
- 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 - KDD分布式协调:联邦聚类批次效果调整和泛化
提出一种新颖的 Cluster ComBat 调和算法,利用不同站点数据的集群模式,极大地提升了 ComBat 调和的可用性。通过广泛的模拟和实际医学影像数据,证明了该方法的优越性。
- 医学图像分割的黑盒自适应
在医学图像分割中,通过使用黑盒适应技术 (BAPS),我们不需要了解基础模型的权重或梯度,并且可以显着提高原始模型的性能约 4%。
- HoneyBee: 用基础嵌入模型创建可扩展的多模态肿瘤学数据集的模块化框架
为了解决医学数据的复杂性和异质性所带来的挑战,我们引入了 HoneyBee,一个可扩展的模块化框架,用于构建多模态肿瘤学数据集,通过使用基础模型生成代表性嵌入。该框架整合了包括临床记录、影像数据和患者结果在内的各种数据模态,利用数据预处理技 - 数字诊断:大型语言模型在识别常见疾病症状中的潜力
通过评估 LLMs(GPT-4、Gemini 和 GPT-3.5)在诊断能力方面,本研究展示了它们如何显著提高医学诊断的准确性和效率,强调在应用 LLMs 于医疗和临床实践时需要更加关注患者隐私和遵守相关法规,以及研究人类偏见对 LLMs - 关于数据异构性对联邦学习环境的影响及其在医疗网络中的应用
本研究探索了医疗数据领域中联邦学习的数学形式化和异质性分类,重点检验了最流行的联邦学习算法在处理基于数量、特征和标签分布的异质性方面的能力,并基于这些挑战对七种常见的联邦学习算法进行了性能评估。研究目标是通过一组由不同的联邦医院数据集收集的 - 癌症临床决策中的自主人工智能代理
多模态人工智能系统能够通过解释各种类型的医疗数据来增强临床决策,本研究引入了一种利用大型语言模型作为中央推理引擎的多模态医疗人工智能的替代方法,通过验证该系统在临床肿瘤学场景中的表现,证实了语言模型能够作为专科、以患者为中心的临床助手的有效 - 透明且临床可解释的肺癌在胸部 X 光片中的 AI 检测
通过引入临床概念到分类过程中,我们提出了一种基于概念瓶颈模型的预处理方法,改善了肺癌检测的分类性能(F1>0.9),同时生成比现有技术更可靠、临床相关的解释,解决了现有后期 XAI 技术在医疗数据上解释能力较差的问题。
- ConDiSR:单域泛化的对比解缠和风格规范化
医学数据在分布上经常发生变化,这会导致采用标准监督学习流程训练的深度学习模型在测试时性能下降。本研究介绍了一种新的医学图像分类的单域泛化方法,它利用了通道间的对比解缠绕,并通过基于重构的样式正则化进一步增强了独立的样式和结构特征表示的提取。 - 利用特权信息学习数字乳房 X 光片肿瘤分割
使用特权信息学习技术以解决医疗数据可用性和可访问性的问题,通过在训练过程中获取特权信息知识改善数字乳腺 X 光照片上肿瘤分割的质量,实验证明该方法在大多数情况下表现更好,F1 评分比基线模型高出 10%。
- 通过机器学习和深度学习模型评估 Inspire 疗法的患者合格性
利用机器学习和深度学习技术,本研究初次尝试通过使用医学数据和药物诱导睡眠内窥镜(DISE)拍摄的视频来判断患者对 Inspire 疗法的反应,从而帮助耳鼻喉科医生确定适用性,为未来该领域的进展铺平道路。
- 多医院数据的去中心化、协作和隐私保护的机器学习
提出分散式、合作式和隐私保护的多医院数据的机器学习模型 (DeCaPH),它允许不同的医疗机构进行合作训练,同时保护隐私并提高模型的泛化性能。
- 数据有效学习:一项综合医学基准
我们的研究论文针对数据有效学习在医学领域的研究空白,引入了一种全面的基准,用于评估医学领域中的数据有效学习。该基准包括来自 31 个医疗中心的数百万数据样本的数据集(DataDEL),用于对比的基线方法(MedDEL),以及客观衡量数据有效 - AAAIFedA3I:针对异构标注噪声的联邦医学图像分割注释质量感知聚合
通过引入基于高斯混合模型的客户端噪声估计,将其以逐层的方式纳入模型聚合,从而提高高质量客户端的权重,我们提出了一种名为 FedA^3I 的注释质量感知的联邦学习聚合方法,该方法优于现有的处理跨客户端注释噪声的方法。
- Brainchop: 下一代基于网络的神经影像应用
Brainchop 是一款前瞻性的浏览器神经影像工具,采用预训练的全脑深度学习模型,可实现对结构性 MRI 的体积分析,无需技术专长或繁琐的设置程序,同时保护端用户的数据隐私和居留权;此外,该前端工具具有可扩展性、低延迟、易于操作、跨平台兼 - 面向诊断的高效传统学习医学图像压缩
远程医疗诊断对于实际医疗系统至关重要,本研究提出了一种面向诊断的医学图像压缩的有效转移学习编码器,通过调整部分策略网络参数以适应医学图像,实验证明仅使用 1 个医学样本,我们的压缩系统可以与 HEVC 参考标准相比节省 47.594% 的比 - 通过四元波尔兹曼网络推广医学图像表示
神经网络普遍性研究领域愈发广泛,鉴于来自不同源和任务的数据集日益丰富。这个问题在处理医学数据时尤为重要,因为缺乏方法标准会导致不同成像中心或使用不同设备和辅助因素提供的数据变化很大。为了克服这些限制,我们引入了一种新的、泛化的、数据和任务无