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...
DeepDTI：使用深度学习实现高保真六方向扩散张量成像 研究背景及研究动机 扩散张量磁共振成像（Diffusion Tensor Imaging, DTI）在活体人脑组织微结构和结构连接性映射方面具有无可比拟的优势。然而，传统的DTI技术因为角度采样的要求导致扫描时间过长，制约了其在常规临床实践和大规模研究中的应用。为了克服这一瓶颈，研究者们开发了一种新的DTI处理框架，称为DeepDTI，通过数据驱动的监督深度学习最小化DTI的数据需求。本文的目的在于展示如何使用DeepDTI显著减少DTI的采样数据量，从而实现更快的扫描速度，同时保持高质量的成像结果。 论文来源 这篇论文的主要作者包括Qiyuan Tian, Berkin Bilgic, Qiuyun Fan, Congyu Liao...
神经科学研究获重大突破:深度学习技术实现从脑电信号解码出自然语音 纽约大学一个跨学科研究团队最近在神经科学和人工智能界取得重大突破。他们开发出一种基于深度学习的新框架,能够直接从人脑的神经信号中解码并合成出自然的人声。这项创新性成果有望为失语和失音症患者研发出新一代语音类脑机接口。 研究动机 语音障碍严重影响患者的社交和生活质量。过去几十年,研究人员一直致力于开发能从大脑解码并合成语音的神经假体,以帮助这些患者重建交流能力。然而,由于训练所需的大脑和语音数据的稀缺性、语音生成过程的复杂性和高维度性,构建高性能语音解码系统一直是个巨大的挑战。 研究成果精髓 该团队提出了一种创新的基于深度学习的语音解码框架,核心包括两个模块:(1)一个”脑电解码器”,将植入大脑皮层的电极阵列(ECoG)采集的脑...