- 使用神经随机微分方程对连续疾病轨迹和治疗效果进行概率性时间预测
基于医学影像的个性化医学,可以准确预测未来个体化临床疾病进展和治疗反应,对于长期、复杂、异质性的无法治愈的疾病(如多发性硬化症(MS))的医疗和药物开发具有巨大影响。本文提出了第一个用于建模疾病进展的连续时间因果框架,利用神经随机微分方程( - 通过治疗效果分析提升预测性成像生物标志物的发现
本研究旨在通过深度学习模型从治疗前图像中发现和验证预测性影像生物标志物,以预测个体治疗效果,推动个性化医学决策。
- 医疗数字化双生子的控制与人工神经网络
个性化医学的目标是根据患者的独特特征量身定制干预措施。本研究介绍了一种基于动态信息的神经网络控制器作为对医学数字孪生的控制方法,并通过在两种常用的基于代理的模型类型上进行实验和评估验证了该方法的有效性。
- 推进肿瘤学基因选择:深度学习与稀疏性的精确基因选择融合
基于深度学习的生存预测模型中的两种基因选择策略,一种利用稀疏性诱导方法,另一种利用重要性基因选择来识别相关基因,通过广泛的实验验证表明,该策略不仅可以识别具有高预测能力的基因特征用于生存结局,还可以简化低成本基因组筛查过程,为个体化医学和靶 - 个体化表征中的时间序列电子健康记录缺失理解
研究介绍了对于个性化医学中的缺失表示和学习缺失模式的关注不足,提出了关于实际电子健康记录中缺失模式的新见解和影响,旨在实现真正个性化的预测建模。
- 基于患者的知识图谱研究:现有方法、挑战和应用综述
病患中心知识图谱(PCKGs)是医疗保健领域的重要转变,通过以整体性和多维度的方式映射患者的健康信息,聚焦于个体化患者护理。这篇文献综述探讨了 PCKGs 的方法学、挑战和机遇,以及它们在整合不同医疗保健数据和通过统一的健康视角增强患者护理 - NYCTALE: 面向肺部结节侵袭性预测的神经证据转换器
NYCTALE 提出了一个神经启发和基于证据积累的 Transformer 架构,为肺癌诊断的个性化医学领域提供了一种新的路径。与传统的基于计算机断层扫描(CT)的深度学习模型不同,NYCTALE 仅在积累足够证据时进行预测。初步实验结果表 - IGNITE:时间序列电子健康记录的个体化填补生成
我们提出了一个新的深度学习模型 IGNITE,利用条件双变分自编码器和双阶段注意力,在多元数据上学习了时间上的患者动态变化,生成个性化的真实值,根据个体的人口特征和治疗条件调节。我们进一步扩展了 IGNITE 的应用范围,从填补缺失值发展为 - CaRe-CNN:基于级联优化的 CNN 用于心肌梗死细分与微血管闭塞的分割
我们提出了 Cascading Refinement CNN (CaRe-CNN),这是一种完全的 3D、端到端训练、三阶段 CNN 级联,利用有标记的心脏数据的层次结构。通过我们的 CaRe-CNN 进行的准确心脏分割,可以生成个体化心脏 - 通过知识图谱和闭合形式连续时间液态神经网络为患者护理打造数字孪生
本文提出一个新框架,通过使用知识图谱和连续时间神经网络,将患者健康数据合成为多模态数据,以便进行实时分析,从而为数字孪生模拟和个性化医疗提供全面和适应性的视图及实时分析。
- 应用数据工程方法解决微生物组数据挑战,以实现最优医疗决策
本研究利用数据工程算法解决肠道菌群数据的类别不平衡和高维问题,应用多个机器学习分类器以进行宿主表型的分类,表现出具有高预测准确率的优越性,并采用主成分分析(PCA)大大减少了测试时间。研究表明,微生物特征在物种级别上的分类精度最高,该原型对 - 可靠的剂量组合离策略学习
该研究提出了一种可靠的离策略学习方法,该方法使用个性化神经网络建模联合多个剂量依赖剂量的效果,并使用条件标准化流估计广义倾向得分,以找到共享协变量 - 治疗空间中重叠有限的区域,为确定最优个性化剂量组合提供可靠的策略估计,证明了方法有效性。
- CongFu: 用于药物协同作用预测的条件图融合
本文介绍一种基于 CongFu 的全新条件图融合层,该层使用注意机制和瓶颈提取局部图形上下文,并在全局上下文中有条件地融合图形数据,用于预测药物协同作用,实验结果证明,CongFu 可以捕捉到药物协同作用的复杂模式,为优化药物组合和推进个性 - AAAI迄今为止我们所了解的:非洲医疗保健中的人工智能
本研究评述了人工智能应用于医疗保健领域的现状及其对非洲地区的影响,包括改善诊断、促进疾病早期检测、支持个体化治疗等方面,并探讨了将人工智能技术应用于非洲低资源区卫生保健面临的重大挑战和机遇。因此,需要政府、私营部门、医疗保健提供者和国际组织 - 零样本因果学习
本研究提出了一种无需先前数据就可以预测新型干预效果的因果元学习框架 (CaML),它是一种单一元模型,可跨越数千个任务进行训练,结合基于个体特征和干预信息的元特征,证明了在医疗和细胞实验中的有效性。
- 药物反应预测的混合量子神经网络
利用深度量子神经网络的结构,提出一种用于预测药物效果的混合量子模型,并在减小的癌症药物敏感性基因组数据集上进行定量分析,表明该型混合量子模型比经典算法预测的药效值高出 15% 以上。
- 为所有人打造的网络 ':使用来自单个患者的纵向数据进行完全个性化和无监督的神经网络训练
本研究研究了个性化神经网络在检测肿瘤进展方面的应用,采用对比增强 T1w 序列的磁共振成像,使用 Wasserstein-GAN 无监督网络架构构建模型,对 32 例患有胶质母细胞瘤的病人的 64 个扫描进行了评估,证明只使用一个病人的数据 - SIBILA:高性能计算和可解释机器学习共同努力,为个性化医学提供新决策工具
该研究说明了开发出一种基于可解释机器学习的软件工具(SIBILA),以便于医生进行个性化医学决策,并通过三个病例研究验证了其在分类和回归问题上的准确性和有效性。
- 治疗异质性下的倾向分数回归因果推断
本文提出了一种借助倾向得分回归进行非参数估计的方法,以探究在人群的不同特征下治疗效果的差异,其计算效率高且不受干扰。通过在 NHFS 数据上应用该方法,研究了不同年龄组人群接种疫苗和带薪病假对季节性流感的影响。
- ICML利用可解释的算法对全切片细胞学图像进行葡萄膜黑色素瘤亚型划分
本文介绍了一种用于结膜黑色素瘤亚型识别的自动化且可解释的系统,该系统嵌入了候选细胞学图像的每个自动分割细胞作为由许多代表性幻灯片定义的 2D 流形中的一个点,从而为组织样本的细胞水平组成进行推理,为活检提供可解释的亚型识别,并且通过对畸变的