大语言模型利用电子健康记录中识别健康的社会决定因素 背景及研究动机 健康社会决定因素（Social Determinants of Health, SDOH）对患者的健康结果具有重要影响。然而，在电子健康记录（EHR）结构化数据中，这些因素的记录往往不完整或缺失。大语言模型（Large Language Models, LLMs）有望从EHR的叙述性文本中高通量提取SDOH，以支持研究和临床护理。然而，类别不平衡和数据限制为这种稀疏记录的关键信息带来了挑战。本文旨在探讨使用LLMs从EHR叙述性文本中提取六种SDOH类别（就业、住房、交通、父母身份、关系和社会支持）的最佳方法。 研究来源 这项研究由Harvard Medical School的Mass General Brigham人工智能...

基于级联扩散模型从RNA测序数据生成肿瘤的合成全切片图像 近期发表在Nature Biomedical Engineering上的一篇题为”Generation of Synthetic Whole-Slide Image Tiles of Tumours from RNA-Sequencing Data via Cascaded Diffusion Models”的研究，引起了广泛关注。这项研究由来自斯坦福大学、根特大学、阿贡国家实验室等多家机构的学者共同完成，旨在解决癌症数据不足的问题，从而提升机器学习模型在癌症检测中的表现。本文的作者包括Francisco Carrillo-Perez, Marija Pizurica, Yuanning Zheng, Tarak Nath Nandi...

利用单调性约束深度几何学习来预测阿尔茨海默病进展 背景介绍 阿尔茨海默症（Alzheimer’s Disease，AD）是一种破坏性的神经退行性疾病，逐步导致不可逆转的认知下降，最终导致痴呆。这种疾病的早期识别和预测进程对于临床诊断和治疗至关重要。因此，准确模型AD进程成为研究的关键焦点。 目前，许多研究采用结构磁共振成像（MRI）来进行AD进程建模，主要集中于以下三个方面：1）时间变异性；2）不完整的观察数据；3）时间几何特征。然而，尽管已有深度学习方法尝试解决数据变异和稀疏性问题，但仍然不足够关注内在几何特性，这些特性与AD进展中的脑区大小、厚度、体积和形状相关。 在此背景下，本文作者提出了一种新的几何学习方法，用于结合纵向MRI生物标志物和认知评分的建模，并提出了一种训练算法，通过单调...

背景介绍 长期以来，规范性(nomative)和描述性(descriptive)模型一直在试图解释和预测人类在面对商品或赌博等风险选择时的决策行为。最近的一项研究通过训练神经网络(Neural Networks, NNs)在一个新的大规模在线数据集choices13k上，发现了一种更准确的人类决策模型。本研究系统地分析了不同模型和数据集之间的关系，并发现了数据集偏差(dataset bias)的证据。研究表明，数据集choices13k中对随机赌博选择的偏好趋向于平衡，可能反映了增加的决策噪声。通过将结构化的决策噪声添加到使用实验室研究数据训练的神经网络中，我们构建了一个贝叶斯生成模型，并发现该模型表现优于其他除choices13k之外的所有模型。 研究来源 此项研究发表于《Nature H...

利用深度神经网络区分人类感知和记忆中的视觉和语义信息 引言 在认知科学领域，一直存在关于人类如何在感知和记忆过程中进行人物和物体识别的研究兴趣。识别人和物的成功依赖于将感知系统生成的表征与存储在记忆中的表征进行匹配。然而，这些心理表征并非外部世界的精确副本，而是大脑的重构。了解这种重构的内容和过程是一项长期存在的挑战。这篇论文尝试通过利用深度神经网络（DNN）来揭示人类在熟悉的面孔和物体进行感知和记忆时的心理表征的内容。 论文来源 这篇论文由 Adva Shoham、西丹·丹尼尔·格罗斯巴德、Or Patashnik、Daniel Cohen-Or 和 Galit Yovel 撰写，作者全部来自Tel Aviv University。论文于2024年2月8日在线发表于《Nature Huma...

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...

使用病历预测现象广泛的疾病发生并支持对新兴健康威胁的快速响应 研究背景和动机 新冠疫情暴露了全球系统性、数据驱动指导缺乏的问题，这对识别高风险人群以及应对疫情准备造成了严重影响。个体未来疾病风险评估对于指导预防干预、早期疾病检测和治疗启动至关重要。然而，对于常见疾病，只有一小部分有定制的风险评分，医疗提供者和个人对于大多数相关疾病缺乏指导。即便在有既定风险评分的情况下，对于使用哪种评分和相关的生理或实验室测量也缺乏共识，导致常规医疗实践高度碎片化。特别是在新冠疫情初期，由于缺乏可用数据，无法识别脆弱人群的风险评分不可用。 同时，大多数医学决策，包括诊断、治疗和预防疾病，都是基于个人的医学史。随着数字化的普及，这些信息已经被医疗提供者、保险公司和政府以电子健康记录的形式收集，但由于人类处理和理...

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...

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...

这项研究运用机器学习框架探索了构成软组织肉瘤的基础细胞状态及其细胞生态系统,并将其与患者预后及免疫疗法反应性进行了关联分析。 研究背景:软组织肉瘤是一种罕见且异质性强的结缔组织恶性肿瘤,目前对转移期患者的系统治疗选择有限。虽然最近的研究显示免疫检查点抑制剂(ICI)可以使部分转移期肉瘤患者获得持久缓解,但大多数患者并不能从中获益。传统的生物标志物(如肿瘤突变负荷和PD-L1表达)无法准确预测肉瘤患者对ICI的反应。研究人员推测,独特的肿瘤微环境可能是导致这一现象的关键因素。 研究过程:研究人员组建了一个299例局部期肉瘤患者的RNA-seq表达谱训练队列,以及一个310例局部期肉瘤患者的基因芯片数据验证队列,并结合相关临床注释信息。他们运用Ecotyper机器学习框架,从肉瘤的bulk转录组...