利用联邦学习检测心音异常的一项多机构合作研究 学术背景 心血管疾病（Cardiovascular diseases, CVDs）已经成为主要的死亡原因之一，特别在老年人口中，心血管健康问题亟待社会关注。早期筛查、诊断和预后管理对于预防住院具有重要意义。心音信号携带丰富的生理和病理信息，通过心音进行CVDs早期诊断具有容易获取、广泛存在和非侵入性等优势。近年来，人工智能（AI）在心音辅助诊断中的应用引起了广泛关注，自动心音听诊技术有助于快速、有效地评估心脏状态。然而，现有研究在应用过程中忽略了数据安全和隐私问题，尤其是在多机构数据合作时。 研究来源 本文由Wanyong Qiu, Chen Quan等人撰写，作者分别来自北京理工大学、日本东京大学教育生理学实验室、英国帝国理工学院等知名学术机构...
DVMark：基于多尺度深度学习的视频水印框架 视频水印技术通过在覆盖视频中嵌入信息来实现数据隐藏。本文提出的DVMark模型是一种基于深度学习的多尺度视频水印解决方案，具有较高的鲁棒性和实用性，能够在保证视频质量的前提下，抵抗各种可能的失真和攻击。 背景与动机 视频水印技术涉及在覆盖视频中嵌入消息，可以是可见的也可以是不可见的。不可见水印因其不会干扰原始内容且难以被攻击者检测到而具有优势。水印可以应用于多种场景，如包含视频创建元数据、时间戳以及创作者信息等。此外，水印也广泛用于信息监控和追踪，这是因为水印即便在视频传播过程中遭受一定程度的失真和修改后仍然可以恢复。 目前，评估视频水印系统的主要因素包括不可见性（质量）、鲁棒性和有效载荷（消息比特数量）。传统的水印方法多依赖于手工设计特征，通...
基于标签内容描述的透明化深度图像美学评估 学术背景 随着社交媒体平台如Instagram和Flickr的普及，图像美学评估（Image Aesthetics Assessment, IAA）模型的需求日益增长。这些模型不仅可以帮助社交网络服务提供商优化图片排序或推荐结果，还能帮助普通用户管理相册、选择最佳照片，甚至在拍摄和编辑过程中提供指导。然而，如何构建一个稳健的IAA模型一直是一个挑战，因为图像美学的复杂性包括对象、摄影技术等多个因素。 研究动机 现有的深度学习方法虽然在IAA中表现出色，但其内部机制仍不明确。大多数研究通过隐性学习语义特征来预测图像美学，但这些方法未能直接解释这些特征具体代表了什么。本文的核心目标是创建一个更透明的IAA框架，引入可解释的语义特征，以人类可读的标签描述图...
由大脑皮质发音表征驱动的双语语音神经假体 背景 在神经假体的发展过程中，从大脑活动解码语言的研究一直集中在单一语言的解码上。因此，双语言语产生依赖于不同语言的独特或共享皮层活动的程度仍不清楚。当前研究通过电皮层图（electrocorticography, ECoG）结合深度学习和统计自然语言模型来记录和解码一名西班牙语-英语双语患者的言语运动皮层活动，并将其转化为两种语言的句子。该研究旨在解决双语解码的实际应用问题，尤其是在不需要手动指定目标语言的情况下，实现言语解码。 言语丧失症（anarthria），即失去清晰发音的能力，是中风和肌萎缩侧索硬化症等神经疾病的严重症状之一。目前，侵入性言语脑-计算机接口（BCI）正在被开发，以通过解码皮层活动恢复患者的自然沟通能力。然而，现有的言语BCI...
自监督学习手腕加速度计数据揭示睡眠与死亡率关联的新见解 在现代社会中，睡眠作为生命必需的基础活动，其重要性不言而喻。通过准确测量和分类睡眠/清醒状态以及不同的睡眠阶段，在临床研究中对睡眠障碍的诊断以及解读消费者设备所提供的运动和心理健康数据都是至关重要的。然而现有的非多导睡眠图（Polysomnography, PSG）睡眠分类技术主要依赖于启发式方法，这些方法常常是在相对较小的样本人群中开发的，存在一定的局限性。因此，本研究的目标是通过腕戴加速度计确定睡眠阶段分类的准确性，并探讨睡眠时长和效率与死亡率之间的关联。 研究背景 由Hang Yuan及其团队（包括Tatiana Plekhanova, Rosemary Walmsley, Amy C. Reynolds, Kathleen J....
基于心电图的大规模心血管诊断机器学习算法的开发与验证 引言 心血管疾病（Cardiovascular diseases，CV）一直是全球范围内疾病负担的主要来源，早期诊断和干预对降低疾病并发症、医疗使用率和费用至关重要。传统的心电图（Electrocardiogram，ECG）作为一种低成本且便捷的诊断工具，广泛应用于心血管疾病的检测。然而，现有的ECG解释技术（包括人工和计算机算法）在识别高层次信号互动及“隐藏”的临床相关模式方面存在局限。人工智能（Artificial Intelligence，AI）尤其是深度学习（Deep Learning，DL）的出现，提供了识别ECG信号中“隐藏”模式并同时评估多种心血管疾病的复杂互动关系的全新契机。本研究正是基于这一背景展开。 论文来源与作者 本...
深度学习败血症预测模型对护理质量和患者生存情况的影响 研究背景 败血症是一种感染引起的全身性炎症反应，全球每年大约有4800万人受到影响，其中约1100万人因此死亡。由于败血症的异质性，早期识别通常面临巨大挑战。早期干预包括液体复苏、抗生素管理和感染源控制等治疗措施在疾病早期阶段的效果显著。因此，通过预测分析提升败血症的早期检测具有重要意义。 研究来源 该研究由Aaron Boussina、Supreeth P. Shashikumar、Atul Malhotra、Robert L. Owens、Robert El-Kareh、Christopher A. Longhurst、Kimberly Quintero、Allison Donahue、Theodore C. Chan、Shamim ...
背景介绍 肿瘤未明原发癌（Cancer of Unknown Primary, CUP）是一类通过组织病理学确认为恶性转移但无法通过常规基线诊断方法明确原发部位的恶性疾病。CUP在临床中具有较大的诊断挑战和治疗难度，被认为占所有人类癌症的3-5%。其中，腺癌是最常见的病理类型，其次是鳞状细胞癌和未分化癌。尽管采用了一系列联合化疗治疗手段，患者的整体预后依然极差，仅有20%的患者可以达到10个月的中位生存期。CUP的一个显著特征是其早期扩散、侵袭性较强的临床表现和多器官受累的特点。 免疫组化试验（Immunohistochemistry, IHC）通常被用作预测CUP可能原发部位的关键手段，然而，通过大约20种不同免疫染色单元组合，仅不到30%的CUP病例能够被精确定位。因而，准确预测原发部位...
Dimond: 通过深度学习优化扩散模型的研究 学术背景 在脑科学和临床应用中，扩散磁共振成像（Diffusion Magnetic Resonance Imaging, dMRI）是一种用于非侵入性绘制脑组织微观结构和神经联通性的重要工具。然而，准确估算扩散信号模型参数的计算成本较高，同时易受到图像噪声的影响。现有的多种基于深度学习的有监督估算方法展示了其在提高效率和性能上的潜力，但这些方法通常需要额外的训练数据，并存在泛化性不足的问题。 论文来源 此研究由Zihan Li、Ziyu Li、Berkin Bilgic、Hong-Hsi Lee、Kui Ying、Susie Y. Huang、Hongen Liao和Qiyuan Tian（通讯作者）合作完成，论文发表在《Advanced S...
背景介绍 弥散张量磁共振成像（Diffusion Tensor Magnetic Resonance Imaging，DTI）是一种广泛应用于体内脑组织微结构和白质束成像的神经影像技术。然而，弥散加权图像（Diffusion-Weighted Images, DWI）中的噪声会降低DTI数据所派生出的微结构参数的精度，同时也导致需要更长的采集时间来提高信噪比(Signal-to-Noise Ratio, SNR)。尽管基于卷积神经网络（Convolutional Neural Networks, CNNs）的深度学习方法在图像去噪方面表现突出，但通常需要额外的高信噪比数据来监督CNN的训练，这限制了监督学习方法在去噪中的实际应用。 论文来源 本文标题为“SDnDTI: Self-Superv...