AI科技评论按:在上月 26 日,谷歌在 arXiv 上发表的一篇论文《Scalable and accurate deep learning for electronic health record
在上月 26 日,谷歌在 arXiv 上发表的一篇论文《Scalable and accurate deep learning for electronic health records》( Alvi
AI 科技评论消息,谷歌在 ArXiv 上公开了一篇论文,也很可能是谷歌使用深度学习模型在电子病历建模分析方面的首篇文章。这篇论文由「编译器从不警告Jeff,Jeff 会警告编译器」的谷歌大脑高级研究
本文我们描述了一种从一组小样本中创建合成医学图像的方法,我们的方法基于随机部分变形,因此无需深度学习(不需要GANs)。
新智元报道 来源:TechCrunch 翻译:小潘 【新智元导读】DeepMind Health的独立评估者发布报告,质疑DeepMind的医疗数据垄断以及其他一系列问题。 DeepMind进军数
在古代,总有高人夜观天象,预测某人行将就木。个中玄学,无法解释,准确与否更无从得知。
【新智元导读】Nature发表华裔作者论文:通过解码大脑活动提升语音的清晰度,使用深度学习方法直接从大脑信号中产生口语句子,达到150个单词,接近正常人水平。
对于个人电子产品而言,例如手机,平板电脑,便携式电脑等等,或多或少,都会涉及到隐私计算,那么什么是隐私计算呢?理解隐私计算,先要澄清“隐私”的概念,那么,什么是隐私呢?进而,明确隐私计算分别与隐私和计算之间的关系,即隐私计算是为了实现个人隐私保护而进行的计算还是在实现了隐私保护的前提下进行的计算?最后,才是隐私计算涉及的技术和方法。
本文旨在探讨人工智能(Artificial Intelligence,AI)和机器学习(Machine Learning,ML)在治疗药物监测(Therapeutic Drug Monitoring,TDM)和模型引导的精准用药(Model-Informed Precision Dosing,MIPD)中的应用。
2021年9月20日,来自法国制药公司施维雅(Servier)的Philippe Moingeon等人在Drug Discovery Today发表文章,对人工智能在药物设计和开发方面的四个主要应用进行了阐述。
Q:一名45岁女士因连续三天有腹痛、恶心及呕吐症状来到急诊室。她没有重要病史,也不在用药。患者体温为38.6摄氏度,心率为每分钟110次,血压为100/60毫米汞柱,腹部右下方触感疼痛。白细胞计数达到15000个/毫升,乳酸水平为4.0毫摩尔/升。你对此情况的初步看法是什么?
说话在我们看来似乎是一项很简单、毫不费力的活动,但它却是我们执行的最复杂的动作之一。它要求声道的发音结构(嘴唇、舌头、喉和下颌)进行精确、动态的肌肉协调。当中风、肌萎缩侧索硬化症或其他神经系统疾病导致语言障碍时,失去沟通能力可能是毁灭性的。在《Nature》杂志的一篇论文中,Anumanchipalli等人[1]发布了一项突破性的脑机接口技术,该脑机接口让我们更接近恢复语音功能。
一名已经15年没有说话的瘫痪男子,正使用脑机接口来解码他想说的话(一次一个词)。加州大学旧金山分校
大数据文摘作品 作者:Miggy 对于瘫痪患者来说,最大的苦楚来自无法与外界进行沟通。虽然大脑依然活跃并且希望表达,但是无法驱动发声肌肉,会让这类患者的语言机制逐渐蜕化。 来自加州大学旧金山分校神经外科主任Edward Chang正在为失去说话能力的人开发脑机接口技术。他的实验室致力于解码与声道命令相关的大脑信号,并通过神经植入物,将大脑的语言机能,通过计算机输出出来。该项目不仅需要当今最好的神经技术硬件,还需要强大的机器学习模型。 最近,这一技术也取得了长足的进步,让一位因瘫痪“失声”15年的患者利用电脑
人类社会已经经历了三次工业革命,即蒸汽技术革命、电力技术革命、计算机及信息技术革命。第四次工业革命的大幕正在徐徐拉开。
【新智元导读】谷歌用深度学习分析电子病例的重磅论文给出了一个意外的实验结果,DNN与逻辑回归效果一样,引发了热烈讨论。不仅如此,最近Twitter讨论最多的论文,是UC戴维斯和斯坦福的一项合作研究,作者发现神经网络本质上就是多项式回归。下次遇到机器学习问题,你或许该想想,是不是真的有必要用深度学习。
从“自给自足”的To C模式,到企业之间互联互通的To B模式,再到金融、医疗、安防全场景应用的过程。
揭示基因表达的时空模式对于理解从胚胎发生到疾病的核心生物学原理至关重要。来自澳大利亚和美国的研究团队在《communications biology》发表综述,探讨了目前用于阐明空间表达的技术,解释了准确地定量捕捉空间基因表达数据的能力。此类技术为在空间和定量方面对基因表达水平进行无偏倚且详尽的再现,促进对发育缺陷的分子起源的理解和改善医学诊断铺平了道路。
欢迎关注思影科技的长文解读,希望我们的解读可以伴随思影的读者们共同成长,如果可以给我们一个转发,一定是对思影的莫大帮助和鼓励,谢谢!
本文介绍了宾夕法尼亚大学生物医学图像计算与分析中心的Zhijian Yang和Ilya M. Nasrallah等共同发表在Nature Communications的研究成果:本文提出了Smile-GAN模型(半监督聚类生成对抗网络),这是一种半监督深度聚类方法,它能够通过神经成像特征识别阿尔茨海默疾病亚型。通过在数据集上的训练,Smile-GAN确定了四种神经变性模式,将该框架应用于纵向数据,又确定了疾病的两种发展进程,它可以预测神经变性的途径和速率,这为精准诊断和定向临床试验提供了方向。
新技术可以对无症状的酒精相关肝病进行无创检测和分期;进一步完善这种方法可以改变临床管理并改善患者的预后。
我们的注意会自然地在不同的信息来源之间波动,即使我们很希望将它集中在某个单一的对象上。集中注意(FA, focus attention)冥想与控制注意的能力有关,然而这种能力背后的神经机制还不完全清楚。
我们提出了一种新的方法,将不成对的对比度计算机断层扫描(CT)转换为非对比度CT扫描,反之亦然。解决这项任务有两个重要的应用:(i)为注射造影剂不是一种选择的患者自动生成对比CT扫描,以及(ii)通过在配准前减少造影剂引起的差异来增强对比CT和非对比CT之间的对准。我们的方法基于循环一致的生成对抗性卷积变换器,简称CyTran。由于循环一致性损失的积分,我们的神经模型可以在未配对的图像上进行训练。为了处理高分辨率图像,我们设计了一种基于卷积和多头注意力层的混合架构。此外,我们还介绍了一个新的数据集Coltea-Lung-CT-100W,其中包含从100名女性患者中收集的3D三相肺部CT扫描(共37290张图像)。每次扫描包含三个阶段(非造影、早期门静脉和晚期动脉),使我们能够进行实验,将我们的新方法与最先进的图像风格转移方法进行比较。我们的实证结果表明,CyTran优于所有竞争方法。此外,我们表明CyTran可以作为改进最先进的医学图像对齐方法的初步步骤。
测试表明,新研究能解验证集中90%的题目,包括NOIP、Codeforce、Leetcode等比赛中的分治和动态规划题目——这些题目,很多大模型也难以解决。
计算机视觉社区一直渴望找到一种方法,让计算机和人类都能够理解室内场景的复杂性。通过交互式模拟环境创建了没有真实标签的逼真合成数据集,推动了对这些环境的整体理解的快速进展。
本文为大家带来的演讲主题是“面由心生,由脸观心”,将主要分享如何快速实时且精准检测并识别面部情绪。
本文介绍健康医疗的深度学习技术,重点讨论了计算机视觉、自然语言处理、强化学习和广义方法的深度学习。我们描述这些计算技术如何影响医学的几个关键领域,并探索如何构建端到端系统。计算机视觉的讨论主要集中在医学成像上,自然语言处理则主要关注其在电子健康记录数据等领域的应用。同样,在机器人辅助手术的背景下讨论了强化学习,并综述了基因组学的广义深度学习方法。
脑部疾病的异质性是精准诊断/预后的一个挑战。作者描述并验证了一种名为Smile-GAN(SeMI-supervised cLustEring-Generative Adversarial Network),的半监督深度聚类方法,它研究了与正常大脑结构对比的神经解剖学异质性,从而通过神经影像特征识别疾病亚型。当应用于来自T1加权MRI的区域体积时(两项研究;2832名参与者;8146次扫描),包括认知正常的人和那些有认知障碍和痴呆症的人,Smile-GAN确定了四种神经变性模式。将此框架应用于纵向数据揭示了两种不同的进展途径。这些模式的表达测量预测了未来神经变性的途径和速度。模式表达在预测临床进展方面提供了与淀粉样/tau蛋白互补的性能。这些深度学习衍生的生物标志物为精确诊断和有针对性的临床试验招募提供了潜力。
今天与大家分享的是英矽智能(Insilico Medicine)研究小组发表在arxiv上的“利用AlphaFold加速人工智能赋能的药物发现:高效发现CDK20的小分子抑制剂。”
通过监测一个人的大脑活动,这项技术可以以前所未有的清晰度重建一个人听到的单词。这一突破利用了语音合成器和人工智能的力量,可能会带来计算机直接与大脑交流的新方法。它还能帮助无法说话的人(例如患有肌萎缩侧索硬化症 (ALS) 或中风康复的人)重新获得与外界交流的能力。
迪菲赫尔曼密钥交换是一种可以在通信双方之间安全交换密钥的方法。这种方法通过将双方共有的密码数值隐藏在公开数值相关的运算中,来实现双方之间密钥的安全交换。
这篇文章主要介绍一些基于深度学习的医学图像合成的论文,医学图像跨域合成一般是指从一种模态转化为另一种模态,包括CT到PET,MR到CT,CT到MR及MRI中T1,T2,FLAIR等之间的转化。
来源:arxiv.org 编译:马文 【新智元导读】英伟达和UC Berkeley的研究者最近公开一个名为pix2pixHD的项目,并公开了论文和代码。pix2pixHD能够利用条件GAN进行2048x1024分辨率的图像合成和处理,输入语义标注图生成接近真实的现实世界图像,例如街景图、人脸图像等,并且只需简单的操作即可修改和搭配图像,效果优于pix2pix和CRN等先前的方法。 英伟达和UC Berkeley的研究者最近公开一个名为pix2pixHD的“用条件GAN进行2048x1024分辨率的图像合成和
摘要:精神分裂症是全球致残的主要原因。目前的药物治疗主要使用一种机制-多巴胺D2受体阻断,但结果往往显示出有限的疗效和耐受性差。这些限制突出了需要更好地了解疾病的病因,以帮助发展替代治疗方法。在这里,我们回顾了最新的荟萃分析和其他关于前驱、首发和慢性精神分裂症的神经生物学研究结果,以及它们与精神病症状的联系,重点是来自精神分裂症患者的影像学证据。这一证据表明,与健康个体相比,区域特异性神经递质改变,包括基底神经节谷氨酸和多巴胺含量较高。我们考虑皮质-丘脑-纹状体-中脑回路的功能障碍如何改变大脑信息处理,从而成为精神病症状的基础。最后,我们讨论了这些发现对开发新的、基于机制的治疗方法和精确医学对精神病症状、阴性症状和认知症状的影响。
这是一篇医学图像增强的论文,介绍了研究人员正在使用人工智能来减少MRI检查后留在体内的造影剂的剂量。
虽然增强现实 (AR) 在医学领域得到了广泛研究,但它仅代表了改变真实环境的一种可能性。其他形式的介导现实 (MR) 在医学领域很大程度上仍未得到探索。缩小现实(DR)就是这样一种模式。DR是指通过用背景虚拟替换真实对象来从环境中移除真实对象。与AR 相结合,可以创建强大的MR环境。尽管DR引起了更广泛的计算机视觉和图形社区的兴趣,但尚未在医学中广泛采用。然而,DR在医疗应用中具有巨大的潜力。例如,当空间和术中视野受到限制,并且外科医生对患者的视野被破坏性医疗器械或人员进一步遮挡时,DR方法可以为外科医生提供手术部位的无障碍视野。最近,深度学习的进步为实时应用铺平了道路,无需事先了解当前场景即可提供令人印象深刻的成像质量。具体来说,深度修复方法是 DR 最有前途的方向。
作者: Alvin Rajkomar、Jeffrey Dean、Isaac Kohane
今天我们介绍2022年在圣母大学组织的一个网络生物学未来方向研讨会,本文由研讨会参与者合著,总结了研讨会的讨论,预计其将帮助塑造网络生物学未来计算和算法研究的短期和长期愿景。网络生物学是一个跨学科领域,集计算科学和生物科学于一体,对于深入理解细胞功能和疾病至关重要。该领域存在约20年,仍处于初级发展阶段。由于多种因素导致该领域发生了快速变化和出现了新的计算挑战,包括数据复杂性的增加和不同组织水平上多种数据类型的出现以及数据量的增长。这意味着该领域的研究方向也需要发展。因此,汇聚了网络生物学各个计算和算法方面的活跃研究者,以确定这个领域的紧迫挑战。讨论的主题包括:生物网络的推断和比较、多模态数据整合和异构网络、高阶网络分析、网络上的机器学习以及基于网络的个体化医学。
"喜看稻菽千重浪,遍地英雄下夕烟"。快速发展的单细胞生物学(Single-cell ,为我们理解细胞类型、细胞状态、细胞间相互作用和组织结构提供了单细胞水平视野。单细胞分析适于解析细胞异质性较高的的动态生物学过程,如细胞命运决定、组织模式和发育轨迹推断。除了这些生理背景外,单细胞方法也被广泛应用于疾病研究,癌症和传染病。了解疾病背景下的细胞异质性具有重要的临床应用,包括开发改进的诊断工具和靶向治疗方法。此外,单细胞生物学使细胞重编程与合成生物学结合成为可能。
【新智元导读】 DeepMind 不能光靠打游戏获取关注度来过日子,能否持续发展,医疗项目是非常关键。医疗最麻烦的就是数据隐私问题,从本文看来,他们是想用区块链机制来解决,并且在2017年年中就会推出相应技术——“可验证的数据审计” (Verifiable Data Audit),本文带来这一技术的详细介绍。在医疗领域的落地中,DeepMind 能否再造“AlphaGo奇迹”? 2016年7月,立志要在智能医疗上发力的 DeepMind 首次将机器学习用于纯粹医疗研究。——NHS 的 Moorfield
肺癌在全球男女所有肿瘤中死亡率最高,发病率位居第二。I 期肺腺癌 (LUAD) 的 5 年生存率超过 60% ,因此迫切需要早期检测以改善患有这种疾病的患者的预后。尽管已经开发了几种基于血液的测试方法来帮助对肺癌进行筛选,但仍然缺乏用于早期肺癌检测的无创且可靠的方法和生物标志物。因此,建立一种有效的早期肺癌检测方法和筛查高危人群是临床面临的重要挑战。
今天为大家介绍的是来自Kamila Naxerova和Su-In Lee团队的一篇关于药物协同预测的论文。机器学习可能通过解释药物协同作用的分子基础来辅助选择最佳的抗癌药物组合。通过准确的可解释的模型,机器学习有望加速基于数据的癌症药理学研究。然而,由于转录组数据具有高度相关性和高维度的特点,简单地将当前可解释的机器学习策略应用于大型转录组数据集会导致次优的结果。在这里,作者利用特征归因方法展示了通过利用可解释的机器学习模型集合可以提高解释质量的可能性。
最近,大语言模型(LLMs)在许多任务上表现出接近人类水平的性能,这引发了行业兴趣和资金投入的激增,有关LLMs的论文最近也层出不穷。
生成式对抗网络(Generative Adversarial Networks, GAN)诞生于2014年,它的作者Ian Goodfellow 因它而声名大噪,被誉为“GAN 之父”。
2023年12月21日,来自暨南大学附属第一医院的张水兴课题组在Nature子刊《Communications Medicine》上发表文章Harnessing artificial intelligence to improve clinical trial design,讨论了如何利用人工智能来优化临床试验设计,并提高临床试验的成功率。
3)通过比较DeepSIF结果与有创测量和手术切除结果,严格验证DeepSIF在20名耐药癫痫患者队列中识别致痫区域的能力。
【新智元导读】伦敦帝国理工学院的研究人员开发了一种新的系统,能自动对各种族、年龄的人脸进行准确的 3D 建模。他们还建立了一个大规模人脸扫描数据库,用于训练这个系统。实验证明,该系统比当前常用的最好模型表现优异许多,可以将任意角度拍摄的 2D 快照生成逼真的 3D 人脸。Science 对此作了报道,标题中提到“计算机科学家构建了迄今最精准的人脸数字模型”。(题图即为新模型随意生成的一些人脸。) 如果你用过智能手机应用程序 Snapchat(译注:类似国内美图秀秀),你可以将自己的照片变成迪斯科熊,或者
呜啦啦啦啦啦啦啦大家好,本周的AI Scholar Weekly栏目又和大家见面啦!
领取专属 10元无门槛券
手把手带您无忧上云