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...

StrokeClassifier：人工智能工具基于电子健康记录对缺血性卒中进行病因分类 项目背景及研究动机 脑卒中（尤其是急性缺血性卒中，AIS）的病因识别工作对二次预防至关重要，但诊断起来往往非常困难。在美国，每年的缺血性卒中新发病例近67.6万，其中四分之一的患者曾有过卒中史。这种病症的再发率较高，甚至可能导致死亡或进一步的残疾。缺血性卒中的病因可以多种多样，包括大动脉粥样硬化、心源栓塞、小血管病以及其他罕见病因。然而，美国大约20-30%的缺血性卒中患者在经过评估后，病因依然无法确定，被归类为隐源性卒中。这部分患者的再发卒中风险特别高。因此，能够准确识别隐源性卒中的病因，对于优化治疗方案、提高患者预后具有重要意义。然而，做出准确诊断需要整合大量的数据，包括临床史、体检结果、实验室数据、...

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 ...

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...