关于领域自适应语义分割的新视角：T2S-DA研究 背景与研究意义 语义分割在计算机视觉领域中具有重要的应用，但其性能往往依赖于大量标注数据。然而，标注数据的获取成本极高，特别是在复杂场景中，为此，许多研究转向利用合成数据来缓解标注需求的问题。然而，由于领域间的差异性（domain gap），基于合成数据训练的模型难以泛化到真实场景中。这种情况下，无监督领域适应（Unsupervised Domain Adaptation, UDA）方法成为解决此问题的有效手段，其目标是从标注的源域（source domain）迁移知识到未标注的目标域（target domain）。 传统的UDA方法主要分为两类：对抗训练和自训练。对抗训练通过分布对齐来缩小领域间的差异，而自训练则利用目标域的伪标签进行直接监...
深度学习在超声心动图自动化诊断中的新突破：对比自监督学习方法的研究报告 研究背景 随着人工智能和机器学习技术的快速发展，它们在医学影像诊断领域发挥着越来越重要的作用。特别地，自监督学习(Self-Supervised Learning, SSL)在处理标签数据稀缺的问题上展示出了显著的效果，这在获取医学影像标签困难和昂贵的情况下具有重要意义。通常，大多数的自监督学习方法都没有针对包含丰富时间信息的视频影像，如超声心动图，进行特别适配和优化。因此，开发出一种针对超声心动图视频的自监督对比学习方法，以提升在小型标签数据集上的自动化医学影像诊断性能，显得尤为迫切和重要。 研究来源 此研究由Gregory Holste、Evangelos K. Oikonomou、Bobak J. Mortazav...
基于分层负采样的图对比学习用于药物-疾病关联预测的研究 针对药物-疾病关联（RDAs）的预测在揭示疾病治疗策略和促进药物重新定位方面起着至关重要的作用。然而，现有的方法在预测药物和疾病之间的候选关联时，主要依赖于有限的领域特定知识，因而效果受限。此外，将药物-疾病关系的未知信息简单地定义为负样本存在固有不足。为克服这些挑战，本文提出了一种新的基于分层负采样的图对比模型，称为HSGCL-RDA，该模型旨在预测药物和疾病之间的潜在关联。 研究背景与研究问题 药物开发与疾病进展控制过程漫长且昂贵，而随着疾病数量及其变异的不断增加，对有效药物的需求也在增长。全球性疾病爆发（如新冠肺炎）对现有药物的治疗提出了极大挑战，迫切需要快速开发新的治疗药物。研究现有药物的新用途涉及许多挑战。现有的算法模型虽然在...
医学多组学数据分析中的多重先验知识图神经网络 背景介绍 精确医学是未来医疗保健的重要领域，因为它为患者提供个性化的治疗方案，从而改善治疗效果并降低成本。例如，由于乳腺癌患者存在复杂的临床、病理和分子特征，相同的治疗可能表现出不同的效果。随着生物医学技术的高速发展，疾病的表征可以通过多组学数据来实现。多组学方法相较单组学方法能够在多个数据间捕捉一致和互补的信息，从而建立更加准确和深入的模型。例如，癌症基因组图谱（The Cancer Genome Atlas, TCGA）提供了包括mRNA表达、DNA甲基化和拷贝数变异（Copy Number Variation, CNV）在内的多组学数据。因此，在精确医学的各类任务中引入多组学数据变得必要，这些任务包括药物反应预测、基因发现和生存分析等。 作...
GCTNet：基于EEG信号检测重度抑郁症的图卷积Transformer网络 研究背景 重度抑郁症（Major Depressive Disorder, MDD）是一种普遍的精神疾病，其特征是显著且持续的低落情绪，全球约有超过3.5亿人受到影响。MDD是导致自杀的主要原因之一，每年约有80万人因此丧生。当前MDD的诊断主要依赖于患者的自我报告和临床医生的专业判断。然而，诊断过程的主观性可能会导致不同医生之间的一致性较低，从而可能产生不准确的诊断。研究发现，被诊断为MDD的一般医生的正确率仅为47.3%。因此，探索客观可靠的生理指标，并采用有效的方法及时识别MDD，对于促进早期诊断和干预至关重要。 论文来源 本论文由Beijing Advanced Innovation Center for ...
Negative Deterministic Information-Based Multiple Instance Learning for Weakly Supervised Object Detection and Segmentation 背景介绍 在过去的十年中，计算机视觉领域取得了显著进展，特别是在对象检测（Object Detection）和语义分割（Semantic Segmentation）方面。然而，大多数设计的算法和模型都严重依赖于精确的标注数据，这在实际应用中耗费大量人力和时间。弱监督学习（Weakly Supervised Learning，WSL）因其仅需粗粒度的标注数据（如图像级标注）解决了这一问题。在此背景下，弱监督对象检测（Weakly Supervised...
引言: 当前,预训练语言模型(PLM)在自然语言处理领域获得了广泛应用,但它们存在继承并放大训练语料中的社会偏见的问题。社会偏见可能导致PLM在现实应用中产生不可预测的风险,如自动求职筛选系统会由于性别偏见而将需要逻辑能力的工作(如医生、程序员等)倾向于分配给男性,将需要照顾能力的工作(如护士、保姆等)分配给女性;医疗系统则可能存在种族偏见,计算显示在相同风险水平下,黑人病人比白人病人更”虚弱”。因此,消除PLM编码中的社会偏见成为一个富有意义且具有挑战性的研究领域。 论文来源: 该论文发表于2024年的权威期刊《人工智能》(Artificial Intelligence)第332期,第作者为李颖吉,第二作者为Mengnan Du,其余作者分别来自吉林大学计算机科学与技术学院、新泽西理工学院...