- VICatMix:离散生物医学数据的变分贝叶斯聚类与变量选择
在精准医学中,生物医学数据的有效聚类是至关重要的,它可以实现对患者或样本的准确分层。我们提出了 VICatMix,一种用于聚类分类数据的变分贝叶斯有限混合模型,其在训练中使用了变分推断(VI),从而在保持高准确性的同时优于竞争对手的效率。V - 一种大型语言模型优于其他计算方法对医生笔记的高通量表型
本研究比较了高通量表型化的三种计算方法:基于生成式人工智能的大型语言模型(LLM),利用深度学习进行跨度分类的自然语言处理(NLP)方法,以及将词向量与机器学习相结合的混合方法。采用 GPT-4(一种大型语言模型)的方法表现出卓越性能,表明 - 心脏数字双生体的逆问题求解:综述
心脏数字孪生是个体化的虚拟表示,用于理解复杂的心脏机制。本文综述了解决心电图反问题的方法、验证策略、临床应用和未来展望,涵盖了确定性和概率方法,包括传统和基于深度学习的技术。整合物理定律与深度学习模型有潜力,但需要克服动态电生理学的准确捕捉 - 多视图学习的贝叶斯联合加法因子模型
在精准医学领域,我们提出了一种联合加性因子回归模型(JAFAR),结合多种视图特征和依赖性收缩先验(D-CUSP),以提高时间至分娩开始的预测性能。
- PRISM:一种用于切片级组织病理学的多模式生成基础模型
使用 Virchow 瓷砖嵌入和临床报告文本进行预训练的 PRISM 为 H&E 染色组织病理学提供了幻灯片级基础模型,能够生成临床报告,并通过线性分类器实现针对癌症检测、亚型识别和生物标志物预测等任务的高性能表现。
- 生物复杂性中的简洁性
利用异质、互连、系统级的分子数据来实现个性化医疗,需要开发一种一般的综合性嵌入多尺度分子网络数据的框架,以实现在线性时间内对其进行可解释性利用。
- 通过潜在扩散和先验知识增强时空疾病进展模型
Brain Latent Progression (BrLP) is a disease progression model that predicts the evolution of diseases at the individual - 可解释机器学习的疾病轨迹聚类:以术后谵妄表型为例的案例研究
通过将个性化 POD 风险预测的监督学习与无监督聚类技术相结合,我们提出了一种方法,用于发现潜在的 POD 表型,从而增进我们对 POD 病因的理解并促进针对性的预防和治疗策略的开发。
- 异质剂量 - 反应曲线估计的对比平衡表示学习
对于决策制定来说,估计个体对不同治疗剂量的潜在反应至关重要,尤其在精准医学和管理科学领域。本文通过学习与治疗变量独立的协变量表示来预测反事实结果,然而,这种独立性约束忽略了对于反事实预测有用的大量协变量信息,特别是在治疗变量是连续的情况下。 - 思维图:生物推理的思维过程生成
我们提出了 Thought Graph 作为一种新颖的框架,用于支持复杂推理,并以基因集分析为例,揭示生物过程之间的语义关系。我们的框架在提供对基因集的更深入理解方面表现出色,与基于余弦相似性到人类注释的 GSEA 相比,超过了 40.28 - 面向患者个体化分割的部位感知个性化段落模型
通过引入新的局部感知提示机制,本研究提出了一种数据高效的个性化图像分割方法(P^2SAM),能够在不进行模型微调的情况下,仅利用一次性病人特定数据实现对新病人的无缝适应,大大提高了性能并在不同应用领域展示出了出色的通用性。
- JMLR: 提升推理能力和专业问答能力的联合医疗语言模型和检索训练
通过在细调阶段共同训练信息检索系统和大规模语言模型,引入了一种创新方法 —— 共同医学 LLM 和检索训练(JMLR),以克服传统模型在处理医学问答任务方面面临的挑战,通过采用同步训练机制,JMLR 降低了对计算资源的需求,增强了模型利用医 - DIMON: 在一组变形领域上学习偏微分方程的解算子
通过 DIffeomorphic Mapping Operator learNing(DIMON)在多个领域上学习 PDE 解决方案,为工程和精准医学领域提供了快速 PDE 解决方案的预测和神经算子应用的可能性。
- 隐私保护患者分层的联合非监督随机森林
通过无监督随机森林聚类和联合计算,建立了一个强大的框架来推进精准医学,实现有效的患者分层和疾病亚型划分,改进了疾病亚型的解释性,并优化了局部聚类性能。
- ADCNet: 一个预测抗体药物结合物活性的统一框架
基于深度学习的 ADCNet 模型通过学习 ADC 的抗原和抗体蛋白序列、连接物和有效药物的 SMILES 串以及药物 - 抗体比值等有意义的特征,成功实现了 ADCs 的活性预测,并在评估指标上优于基准机器学习模型,证明了其稳定性、先进性 - 精准医学中的分析与关注:统计学观点
本文探讨了统计分析在精准医学中的关键作用,着重讨论了个性化医疗如何通过解释复杂的多维数据集来实现,包括预测建模、机器学习算法和数据可视化技术。本文还研究了数据整合和解释方面的挑战,尤其是包括电子健康记录(EHR)和基因组数据在内的多种数据源 - 隐藏但可量化的:使用随机试验的混淆强度下界
在快节奏的精准医学时代,观察性研究在正确评估临床实践中的新治疗方法中起着重要作用。然而,未观察到的混杂因素可能会严重影响从非随机数据中得出的因果结论。我们提出了一种新的策略,利用随机试验来量化未观察到的混杂因素。首先,我们设计了一个统计检验 - HeTriNet:药物 - 靶点 - 疾病相互作用的异构图三元注意力网络
通过构建一个异构图,并引入新的三元关注机制,我们开发了一种名为 HeTriNet 的模型,可以更好地理解药物 - 靶标 - 疾病之间的相互作用,并在预测这种三元关系问题上显示出了出色的性能。
- 制药中的人工智能个性化顺序决策研究方法、应用和机遇
药物行业中人工智能的应用已经经历了持续增长的阶段,主要应用于药物研发、个体化医学和癌症等治疗领域。使用先进的机器学习算法,通过考虑环境条件、生活方式和健康历史等因素,可以为每个个体制定定制化的治疗方案,从而优化健康结果。
- AdaMedGraph: 基于 Adaboost 的图神经网络在个性化医学中的应用
精准医学中使用机器学习技术,通过构建患者相似性图并应用图神经网络来预测复杂疾病中的重要特征,提高临床预测任务的性能。