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...

低级别胶质瘤患者总体生存预测的有用特征研究 学术背景 胶质瘤是一种脑内的肿瘤性生长，通常会对患者的生命构成严重威胁。在大多数情况下，胶质瘤最终会导致病人的死亡。胶质瘤的分析通常涉及在显微镜下观察脑组织形式的病理切片。尽管脑组织病理图像在预测病人总体生存率（OS，Overall Survival）方面具有很大的潜力，但由于脑组织病理的独特性，这些图像很少作为唯一的预测因素使用。利用病理图像预测早期胶质瘤患者的总体生存率对治疗和生活质量具有重要价值。在这项研究中，作者们探讨了使用深度学习模型结合简单描述数据（如年龄和胶质瘤亚型），来预测低级别胶质瘤（LGG，low-grade glioma）患者的总体生存率（OS）的可能性。 研究来源 这篇论文由Elisa Warner、Xuelu Li、Gan...

改进通过多任务学习对儿童低级别胶质瘤的分割 背景介绍 儿童脑肿瘤分割是肿瘤容积分析和人工智能算法中的关键任务。然而，这一过程耗时且需要神经放射学专家的专业知识。虽然已有大量研究集中于优化成人脑肿瘤分割，但关于人工智能引导的儿童肿瘤分割研究却凤毛麟角。此外，儿童和成人脑肿瘤的MRI信号特征不同，需要专门为儿童脑肿瘤设计分割算法。因此，本文提出将脑肿瘤的基因变化分类器作为辅助任务添加到主要网络中，通过多任务学习（Deep Multitask Learning, DMTL) 提高分割结果的准确性。 论文来源 这项研究由以下研究人员开展：Partoo Vafaeikia, Matthias W. Wagner, Cynthia Hawkins, Uri Tabori, Birgit B. Ertl-...

在全球范围内，恶性脑肿瘤中最常见和最致命的是胶质母细胞瘤（Glioblastoma, GBM）。近年来，不断有研究尝试通过机器学习技术，基于术前的单模态或多模态成像表型来预测GBM患者的总生存时间（Overall Survival, OS）。尽管这些机器学习方法在预测上取得了一定的进展，但多数研究并未考虑基于影像学的OS预测方法中包含的肿瘤基因型信息，而这些信息对预后有很强的指示作用。为解决这般问题，Tang Zhenyu、Xu Yuyun、Jin Lei 等人于2020年6月在《IEEE Transactions on Medical Imaging》上发表了题为“Deep Learning of Imaging Phenotype and Genotype for Predicting ...

深度学习模型揭示语义饱和机制 语义饱和（semantic satiation），即一个词或短语在被重复很多次后失去意义这一现象，是一种众所周知的心理学现象。然而，导致这一机制的微观神经计算原理仍然未知。本文使用连续耦合神经网络（continuous coupled neural network, CCNN）建立深度学习模型，研究语义饱和的机制，并用神经元成分精确描述这一过程。研究结果表明，从介观角度来看，语义饱和可能是一个自下而上的过程，与现有的宏观心理学研究认为语义饱和是一个自上而下的过程不同，本文的模拟采用与经典心理学实验类似的实验范式，观察到相似的结果。语义目标的饱和类似于本文网络模型用于物体识别的学习过程，依赖于对象的连续学习和切换，神经耦合的增强或削弱影响饱和。综上，神经和网络机制...

基于深度学习的运动想象EEG分类通过利用皮层源成像的功能连接 研究背景与动机 脑-机接口（BCI）是直接解码并输出脑活动信息的系统，无需依赖相关的神经通路和肌肉，从而实现外部设备的通信或控制。在BCI系统中，常用的信号包括脑电图（EEG）、脑磁图（MEG）和功能性磁共振成像（fMRI）。其中，EEG是最常用的信号，因为它具有非侵入性、易于实施、成本低和无伦理挑战等优点。 运动想象（Motor Imagery, MI）是BCI中的一个重要范式，在无刺激条件下，运动想象任务期间会自发地产生运动想象EEG信号（MI-EEG）。MI-EEG信号中可能嵌入了运动皮层在运动意图期间的神经活动模式表示，因此解码MI-EEG信号已成为热门研究课题，以通过BCI系统实现对外部设备的精神控制。 现有的MI-EE...

EHR-HGCN：一种用于电子健康记录文本分类的新型混合异构图卷积网络方法 学术背景介绍 随着自然语言处理（NLP）的迅速发展，文本分类已经成为该领域一个重要的研究方向。文本分类不仅帮助我们理解文献背后的知识，还在生物医学文本，包括电子健康记录（Electronic Health Records, EHR）等领域有着广泛的应用。现有的研究主要集中在基于双向变压器的编码表示方法（如BERT）和卷积神经网络（CNN）的深度学习方法。然而，这些方法在处理医学长文本时往往面临输入长度的限制和高计算资源的需求。与此同时，针对文本分类的代表性CNN方法往往只提取了附近上下文特征，忽略了文本中更长范围的关系。 为了解决这些问题，近年来异构图卷积网络（Heterogeneous Graph Convolut...

AutoAlign：由大规模语言模型驱动的全自动、高效知识图谱对齐方法 知识图谱（Knowledge Graph，简称KG）已经被广泛应用于问答系统、对话系统和推荐系统等多个领域。然而，不同的知识图谱中可能存在同一现实实体以不同形式存储的问题，这导致知识共同体和信息互补非常困难，尤其在实际应用中，这些知识图谱的合并是一项核心任务。这涉及实体对齐（Entity Alignment），即识别不同知识图谱中代表相同实体的实体对。然而，现有方法通常需要手工制作的种子对齐（Seed Alignments），其获取成本高、可移植性差，并且人工干预可能引入偏差，影响对齐效果。 为了应对上述挑战，来自Tsinghua University、University of Melbourne、Universita...

面向遗忘-鲁棒知识追踪的深度图记忆网络 近年来，知识追踪（KT）作为个性化学习的重要方法吸引了广泛关注。知识追踪旨在预测学生回答新问题时的正确率，利用他们过往问题的回答历史来估计其知识状态。然而，当前的知识追踪方法仍面临一些挑战，包括对遗忘行为的建模和潜在概念之间关系的识别。为了解决这些问题，本文提出了一种全新的知识追踪模型，即深度图记忆网络（Deep Graph Memory Network, DGMN）。本文具体概述了DGMN模型的设计、实验过程及其在各类数据集上的表现。 研究背景 知识追踪问题自提出以来，一直是教育领域的一个重要研究方向。其核心目标是通过学生的历史回答数据，预测其未来回答问题的正确概率。早期的知识追踪方法主要包括基于贝叶斯方法和状态空间模型的方法，例如隐马尔可夫模型（H...

基于Siamese-Transport域适应框架的3D MRI胶质瘤和阿尔茨海默病分类 研究背景 在计算机辅助诊断中，3D磁共振成像（MRI）筛查对于早期诊断各类脑部疾病具有重要作用，可以有效防止病情恶化。胶质瘤是一种常见的恶性脑肿瘤，其治疗方案因肿瘤级别的不同而有所不同。因此，准确高效的3D MRI分类在医学影像分析中至关重要。然而，传统的深度学习模型在应用于临床获得的无标签数据时，表现会严重退化，主要原因是域间不一致性，如不同设备类型和数据获取参数的差异。现有的方法主要集中在减少域间差异，但忽略了语义特征和域信息的纠缠。 论文来源 本文由Shandong University的Luyue Yu，Ju Liu，Qiang Wu，Jing Wang和Aixi Qu等人撰写，发表在2024年1...