- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI研习社
青年分享会第 3 期回顾 | 刘凯：解读生物医学图像论文（上）
『学术青年分享会』是雷锋网旗下垂直 AI 领域学术交流社群——AI 研习社所发起的活动。AI 研习社致力于建设全球领先的 AI 求知社区，基于专业直播平台，进行技术交流的公益传播和深度交流。 『分享会』通过邀请学术界、工业界学者进行高质量内容分享，让广大学术青年了解最前沿的学术与行业技术进展，成为连接学术界与工业界之间的桥梁，并希望能够从中发现一大批优秀 AI 人才，推动国内 AI 行业的持续发展。 『分享会』采用线上直播的形式，聚集了国内外高校 CS 背景的优秀硕博在校及毕业生，他们来自斯坦福大学、香港大
67070发布于 2018-03-19 - 来自专栏大数据文摘
生物医学大数据：现状与展望
作为最活跃的科学研究领域之一，生物医学领域的大数据也备受关注。 1．生物医学大数据的来源：以下因素促进了生物医学领域大数据的出现。①生命的整体性和疾病的复杂性。 这将产生海量测序数据（每个人的基因组就需要 3G 的数据存储量）。 ③医院信息化和 IT 业的迅速发展。 例如，X 线、3D 核磁、乳腺 X 线、3D CT 扫描分别包括 30 M、150 M、120 M 和 1G 的数据量，至 2015 年美国平均每家医院需要管理 665 T 的数据量。 2．生物医学大数据的应用：生物医学大数据可应用于以下方面。①开展组学研究及不同组学间的关联研究。 3．生物医学相关的大数据计划：近年来国内外一些生物医学相关的大数据计划见表 2。 ?
3.2K50发布于 2018-05-23 快速上手的生物医学NLP框架KAZU
KAZU - 生物医学NLP框架注意：最近的2.0版本在自定义模型包和标注的使用上存在较大的向后不兼容性。 欢迎使用KAZU，这是一个与韩国大学合作构建的Python生物医学NLP框架，专为处理生产级工作负载而设计。该库旨在简化在生产系统中使用最先进的NLP研究的过程。 STANZA: 使用了某机构的框架和生物医学NLP模型。SCISPACY: 使用了某机构的生物医学模型。SAPBERT: KAZU使用了SAPBERT的蒸馏版本。
15210编辑于 2026-01-08- 来自专栏DrugOne
生物医学组学数据分类Deep Centroid
摘要 动机 使用生物医学组学数据对样本分类是生物医学研究中广泛采用的方法。然而，数据集通常具有挑战性的特征，包括高维度、有限的样本量以及不同来源的固有偏差。 将Deep Centroid应用于3个精准医学应用：癌症早期诊断、癌症预后和药物敏感性预测。使用无细胞DNA片段化、基因表达谱和DNA甲基化数据。 实验结果表明，在所有3个应用中，Deep Centroid的表现优于6种传统的机器学习模型，展示了其在生物组学数据分类中的潜力。 强调了Deep Centroid在生物医学组学数据分类中的应用前景，特别是在精准医学领域。 图1 Deep Centroid模型结构的示意图。 图3 Deep Centroid在癌症预后中的性能。(a) Deep Centroid在交叉验证中的分类性能。(b) Deep Centroid在独立验证中的分类性能。
17200编辑于 2025-02-18 - 来自专栏生物信息云
Cell：机器学习将如何改变生物医学
为诊断和治疗中的机器学习应用程序创建高质量的数据集将需要解决技术、法律和经济问题，这些问题常常导致未标准化的孤立的生物医学数据。为此，作者呼吁必须鼓励生物医学机构和个人参与数据标准化和共享。 同样，保险公司、制药行业和支持生物医学研究的机构必须愿意投资基础设施、数据获取和数据管理，以生成高质量的数据。还需要促进用于学习的数据集多样性的数据共享方法和激励措施。 然而，机器学习生物医学数据收集的最终目标是从患者群体中获得合适的代表性数据，以开发精确的机器学习模型，并将其推广到不同的人群。 生物医学机器学习应用需要严格的评估方法，特别是在需要持续学习的环境中。在作者看来，机器学习系统的性能最好是通过它在未来环境中的预测的准确性来衡量的。 为了确保对生物医学机器学习应用程序的健壮评估，需要多模态、可扩展和纵向的真实或模拟数据集。 虽然面临的挑战很艰难，但作者乐观地认为它们是可以克服的。
1.3K30发布于 2020-04-21 - 来自专栏DrugOne
Nature Medicine | 多模态的生物医学AI
利用多模态数据的机会 图一：多模态生物医学AI的数据模态和机会 针对精准健康的个性化“组学” 随着测序在过去二十年中的显著进步，使用新的技术获得的细粒度生物数据的数量越来越多。 这些虚拟健康助手可以利用基因组测序、其他组学、血液生物标记物、代谢物、生物传感器和其他相关生物医学数据，促进行为改变、回答与健康相关的问题、对症状进行分类或在适当时与医疗保健提供者进行沟通。 Transformer的一个很有希望的方面是能够用未标记的数据学习有意义的表示，这在生物医学人工智能中是至关重要的，因为获得高质量标记所需的资源有限且昂贵。 在生物医学人工智能的设置中，数据可能并不容易获得。这一问题的一个可能的解决方案是利用一种模态的可用数据来帮助使用另一种模态进行学习，这是一种称为“共同学习”的多模态学习任务。 第一，生物医学数据集的多样性至关重要，因为它是确保推广到更广泛人群的第一步。第二，多模态人工智能的一个必要步骤是将数据集中可用的所有数据类型适当地联系起来，这是另一项挑战。
2K20编辑于 2022-11-28 - 来自专栏云深之无迹
生物医学电子工程专业的职业规划
生物医学工程师是做什么的？ 也许我们应该换一种比较简单的提问方式：“生物医学工程师不做什么？”工厂、学术机构、医院和政府部门都有生物医学工程师的身影。 若干年后，他/她们可能已经积累了丰富的生物医学专业知识，也可将其视为生物医学工程师。 生物医学工程师与其他工程师相比，有哪些不同之处？ 有时，生物医学工程师负责解决生物医学问题，其身份可以是医师、业务经理、患者律师、理疗师、教授、研发科学家、教师和技术类作家。 生物医学工程师需要达到什么教育水平？ 很多生物医学工程师都会参加生物医学工程或相关工程领域的研究生培训项目。生物医学工程师如获得硕士或博士学位，在争取工厂、学术或政府部门的研发岗位时会更有优势。 此外，一小部分生物医学工程师甚至选择进入法律院校，专攻与生物医学发明相关的专利法和知识产权领域。对于我们未来的医师、牙医和专利律师来说，还有什么比生物医学工程更好的培训吗？
70530编辑于 2023-05-24 - 来自专栏DrugOne
人工智能时代的生物医学文献搜索
生物医学研究产生了大量信息，其中许多信息只能通过文献获取。因此，文献搜索对于医疗保健和生物医学至关重要。 在生物医学领域，文献是传播新发现和知识的主要手段。大量通过生物医学研究积累的信息只能通过文献访问。因此，文献搜索——检索科学文章以满足特定信息需求的过程——对所有生物医学研究和病人护理的方面都很重要。 具体来说，文献搜索工具被组织成五个领域：（1）循证医学（EBM），用于识别高质量的临床证据；（2）精准医学（PM）和基因组学，用于检索与基因或变异相关的信息；（3）语义搜索，用于查找与输入查询语义相关的文本单元 ；（3）使用布尔查询进行可复制的文献筛选。 为此，许多专门的文献检索工具被提出；它们的核心功能如图3所示，搜索引擎应能检索到提及确切变异查询及其同义词的所有文章。 图 3 识别同义词 一些工具，如LitVar，专注于文献中变异同义词的规范化。
71910编辑于 2024-03-18 快速精准的生物医学命名实体识别框架
KAZU - 生物医学自然语言处理框架注意：最近的2.0版本在使用自定义模型包和策展时存在较大的向后不兼容性。 欢迎使用KAZU（韩国阿斯利康大学），这是一个与韩国大学合作构建的Python生物医学自然语言处理框架，旨在处理生产工作负载。该库旨在简化在生产系统中使用最先进的自然语言处理研究的过程。 基因本体其他许可数据集和模型：HPO：根据https://hpo.jax.org/app/license自由许可开放靶点：由www.opentargets.org友好提供，可免费用于商业用例Stanza框架生物医学
16710编辑于 2025-10-23- 来自专栏DrugOne
Bioinformatics| 生物医学网络中的图嵌入方法
文章选取了11种具有代表性的图嵌入方法，对3个重要的生物医学链接预测任务:（1）药物-疾病关联（drug-disease association, DDA）预测，（2）药物-药物相互作用（drug- drug （2）对于以上5个任务，编制了7个基准数据集（这些数据集来源于常用的生物医学数据库或已有的研究），并使用它们来系统地评估11个不同类别中有代表性的图形嵌入方法（其中5个基于矩阵分解（MF），3个基于随机游走 （3）开发了易于使用的Python程序包，其中包含BioNEV（生物医学网络嵌入评估）的详细说明，可见网站： https://github.com/xiangyue9607/BioNEV，包括所有源代码和数据集 在这个部分，作者选择了基于MF的5种，基于随机游走的3种，基于神经网络的3种共11种具有代表性的图嵌入方法，回顾它们在3种流行的生物医学链接预测任务和2种生物医学节点分类任务上的应用情况。 图2 （a）医学术语-术语共现图是如何构建的，（b）图中节点类型的分类 4.3 实验总结 为了说明图嵌入方法在上述生物医学应用中的研究现状，作者将11种图嵌入技术按3类进行了总结，这些技术应用于特定任务的现有工作如表
78930发布于 2021-02-01 - 来自专栏DrugOne
用高阶图卷积网络预测生物医学互作
1 摘要 近年来，图神经网络被提出用于有效地学习生物医学实体的表示，并在生物医学互作预测方面取得了令人满意的成果。这些方法只考虑近邻的信息，而不能从不同距离的邻居中学习到一般的混合特征。 在本文中，作者提出了一个高阶图卷积网络(HOGCN)来聚合高阶邻域的信息，用于生物医学交互预测。具体来说，HOGCN收集不同距离的邻居特征表示，以获得生物医学实体的信息表示。 当k=0时，HOGC层只考虑生物医学实体的特征，能够捕获各种生物实体之间的特征相似性，这相当于一个以生物医学实体的特征作为输入的全连接层网络。 Results 1、Biomedical interaction prediction 作者使用四种不同类型的互作数据集，将HOGCN与生物医学互作预测任务的各种基准模型进行比较，其结果如表3： 分析表明，3阶邻域(k=3)为所有数据集的交互预测提供了足够的信息，即使k值更大，性能仍保持稳定。 4 结论 作者提出了一种新的用于生物医学交互预测的深度图卷积网络。
95820发布于 2021-10-11 - 来自专栏DrugOne
大型语言模型是通用生物医学模拟器
生物过程的计算模拟可以加速生物医学研究，但通常需要广泛的领域知识和手动调整。最近，如GPT-4等大型语言模型（LLMs）已经证明在生成人类语言方面取得了惊人的成功，可用于各种任务。 作者展示了模型在各种生物医学应用中具有良好的预测性能，无需显式的领域知识或手动调整。因此，LLMs为一类新的通用生物模拟器提供了可能。 本研究提供了一个基于GPT-4的基于文本的生物模拟器的概念验证，并在各种生物医学场景中对该系统进行了评估，并概述了将LLMs系统化地发展和应用为复杂生物过程的人工智能模拟器的路线图（图1a）。 作者开发了SimulateGPT方法，将GPT-4用作生物医学模拟器。这种方法强制执行逐步仿真，每个步骤由一个设计用于促进在多个生物组织层次上进行仿真的推理结构组成（图1c）。 为了系统评估SimulateGPT在以步骤方式仿真复杂的生物医学情景，向结果预测方向发展的能力，作者通过基于专家和数据的验证（图1d）将其性能与直接推理提示进行了比较。
42020编辑于 2023-09-09 - 来自专栏生信技能树
Hiplot 预印本发布：辅助生物医学数据可视化
截至目前，网站已提供至少 230+ 数据可视化分析工具，涉及基础数据统计、组学和其他常见的生物医学数据可视化功能。过去的一年时间中，该网站被访问超过 2 百万次，超过 2 万名用户进行注册。
44610编辑于 2022-07-26 生物医学数据革命与机器学习新机遇
3 Questions: On biology and medicine’s “data revolution”Caroline Uhler是麻省理工学院的Andrew (1956) and Erna 与此同时，在过去十年中，机器学习取得了显著进展，像BERT、GPT-3和ChatGPT这样的模型在文本理解和生成方面展示了先进能力，而视觉Transformer和多模态模型（如CLIP）已在图像相关任务中达到人类水平的表现 某中心正在组织一些挑战，以提高机器学习领域的认识，并在开发解决因果预测问题的方法上取得进展，这对于生物医学科学至关重要。
10010编辑于 2026-01-19- 来自专栏ATYUN订阅号
使用TensorFlow和DLTK进行生物医学图像分析的介绍
AiTechYun 编辑：yxy DLTK是用于医学图像的深度学习工具包，它扩展了TensorFlow， 以实现生物医学图像的深度学习。 这篇文章是对生物医学图像深度学习的简单介绍，我们将在这里展示当前工程问题中的一些问题和解决方案，并向你展示如何为你的问题的建模。 ? 什么是生物医学图像分析？为什么需要它？ 生物医学图像通常是体积图像（3D），并且有时具有额外的时间维度（4D）和/或多个通道（4-5D）（例如，多序列MR图像）。 数据标准化 与自然图像一样，我们可以对生物医学图像数据进行标准化，但方法可能略有不同。 它使用具有残余单元（residual units）的3D U-Net网络作为特征提取器，并跟踪TensorBoard中每个标签的Dice系数精度。
3.5K40发布于 2018-07-27 - 来自专栏智药邦
Cell｜利用AI智能体增强生物医学发现能力
AI智能体在生物医学研究中的角色 生物学的复杂性要求我们能够灵活地将复杂问题分解为可操作的任务。 图1 利用AI智能体增强生物医学研究 大型语言模型与生物医学应用 经过聊天优化的LLM（如GPT-4）可以纳入反馈，使AI智能体能够通过相互对话和与人类对话进行合作。 3级：“作为科学家的AI智能体”，智能体有能力开发和推断超出先前研究范围的假设，在总结研究结果之外综合概念，并在无法仅从文献中推断的发现之间建立简洁、翔实和清晰的概念联系，最终产生新的科学认识。 图3 AI智能体中的关键模块：感知、交互、推理和记忆模块 感知模块 感知模块使基于LLM的智能体能够理解其运行环境中的元素（如生物工作流和人类用户）并与其互动。 展望未来，随着计算智能的发展，生物医学研究正在经历一个变革时代。通过构建能够进行反思性学习和推理的AI智能体系统，我们有望推动生物医学研究的进步，最终改善人类的健康和福祉。
60410编辑于 2024-11-29 - 来自专栏DrugOne
Survey | 生物医学文本挖掘最新进展
3 生物医学文献分类 3.1 任务定义 有两种典型的生物医学文章分类任务，相关主题识别和生物医学文献索引。相关主题识别确定生物医学出版物是否与给定主题相关。 如：1)标签空间很大；2)标签之间的关系比较复杂；3)标签存在偏差，真实标签在训练数据集上很难精确，可能会影响学习的分类器的质量。 ；3）由于生物医学关系对领域专业知识的要求，标注良好的生物医学关系的可用性远远低于一般关系，这使得充分训练复杂的深度学习模型具有挑战性；4）生物医学领域不断有新发现出现，开发识别新的看不见的关系的模型也是一个具有挑战性的问题 ，使得很难准确地提取路径；2)提取结果的低准确性阻碍了系统的进一步利用；3)缺少一些必要的上下文信息，例如交互条件；4)不断变化的需求使得系统很难迅速适应；5）科学出版物中的许多单句往往涉及多个生物医学实体 例如基础科学研究、制药研究和开发以及临床护理等；3)生物医学文章的内容可能偏向于它们的专业学科，不同文章的发现可能会相互矛盾，很难获取可靠的假设。
1.6K50发布于 2021-02-02 - 来自专栏Y-StarryDreamer
NLP在生物医学文献挖掘的应用：从原理到实践
NLP在生物医学文献挖掘中的创新应用1. 引言生物医学领域涉及庞大而不断增长的文献数据库，其中蕴含着宝贵的医学知识。 NLP在生物医学文献挖掘中的关键应用2.1 文献信息提取与知识图谱构建NLP技术可以用于从生物医学文献中提取信息并构建知识图谱。 disease_diagnosis_and_prediction(clinical_text_data, patient_history)print("疾病诊断与预测结果:", diagnosis_prediction_result)3. NLP在生物医学文献挖掘的未来展望随着NLP技术的不断发展，其在生物医学文献挖掘中的应用将进一步拓展。 此外，随着多模态信息的整合和语义理解水平的提高，NLP将更好地应用于生物医学领域。5. 结语NLP技术在生物医学文献挖掘中的应用为医学研究和临床实践带来了许多创新。
1.1K00编辑于 2023-11-29 - 来自专栏DrugOne
. | 生物医学知识文献网站PubTator 3.0
PubTator 3.0是一款结合了最先进人工智能技术的生物医学文献搜索工具，它专注于蛋白质、遗传变异、疾病和化学物质等关键生物医学概念的语义及关联性搜索。 该平台已累积提供超过十亿个实体和关系的注释，覆盖约3,600万篇PubMed摘要和600万篇PMC开放获取的全文文章，每周获取最新的相关信息。 在这方面，作者介绍了PubTator 3.0，这是一个旨在支持生物医学文献中的语义和关系搜索的新网站。 PubTator 3.0包含超过16亿个实体注释（460万个独特标识符）和3,300万个关系（880万个独特对）。 PubTator 3.0的界面、API和批量文件下载可在以下网址获得：https://www.ncbi.nlm.nih.gov/research/pubtator3/。
81710编辑于 2024-05-13 - 来自专栏DeepHub IMBA
BT - Unet:生物医学图像分割的自监督学习框架
使用有限的注释样本对 U-Net 模型进行微调，用于生物医学图像分割。 segmentation using barlow twins with U-net models https://link.springer.com/article/10.1007/s10994-022-06219-3
59120编辑于 2023-01-18
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号