定量生物学
Quantitative Biology
生物分子
Biomolecules
细胞行为
Cell Behavior
基因组学
Genomics
零维(0D)心血管模型是用于研究全球环流动力学和运输的减序模型。 它们为高保真3D模型的手术规划和边界条件提供了生物标志物(如压力、流速和浓度)的估计值。 虽然它们的计算成本很低,但参数估计和不确定性量化等任务需要许多模型评估,使其计算成本高昂。 这激励了构建元模型。 在这项工作中,我们提出了一个从0D模型到元模型构建的管道,用于灵敏度分析,参数估计和不确定性量化等任务。 探索了三种策略:神经网络,多项式混沌扩展和高斯过程,应用于三种不同的0D模型。 第一个模型预测手术后的门户静脉压力,考虑肝脏血液动力学和全球循环。 第二种模拟在分流插入前后肺动脉高压下的全身循环。 第三个评估再造手术后器官血液灌注,重点是造影剂运输,需要特定的元模型治疗。 Metamodels在合成数据上进行了训练和测试。 神经网络在结果质量、计算时间和参数估计、灵敏度分析和不确定性量化的易用性方面被证明是最有效的。 最后,我们演示了以神经网络为模拟器的完整管道。
组织病理学家通过评估组织学结构(如前列腺癌中的腺体)来建立癌症等级。 然而,数字病理学管道通常依赖于基于网格的平铺,而忽略了组织结构。 这引入了不相关的信息并限制了可解释性。 我们引入了组织学知识平铺(HIT),它使用语义分割从整个幻灯片图像(WSI)中提取腺体,作为多实例学习(MIL)和表型的生物有意义的输入补丁。 在ProMPT队列的137个样本中,HIT获得了0.83 + / - 0.17的腺体级骰子评分。 通过在ICGC-C和TCGA-PRAD队列中从760个WSI中提取380,000个腺体,HIT将MIL模型AUC提高了10%,用于检测与上皮-间充质过渡(EMT)和MYC相关的基因的拷贝数变异(CNV),并揭示了15个腺体簇,其中几个与癌症复发,致癌突变和高Gleason有关。 因此,HIT提高了MIL预测的准确性和可解释性,同时通过在特征提取过程中专注于具有生物学意义的结构来简化计算。
Wolff-Parkinson-White(WPW)综合征是一种心脏电生理学(EP)障碍,由附件通路(AP)的存在引起,该通路绕过心室节点,更快的心室活化率,并为心室性心室再入心动过速(AVRT)提供底物。 AP的准确定位对于规划和指导导管消融程序至关重要。 虽然传统的诊断树(DT)方法和最近的机器学习(ML)方法已被提议从表面心电图(ECG)预测AP位置,但它们通常受到有限的解剖定位分辨率,不良可解释性以及使用小型临床数据集的限制。 在这项研究中,我们展示了一个深度学习(DL)模型,用于在24个心脏区域进行单列AP的定位,该模型在使用个性化虚拟心脏模型生成的合成心格的大型生理逼真数据库中进行了训练。 我们还将 eXplainable Artificial Intelligence (XAI) 方法、Guided Backpropation、Grad-CAM 和 Guided Grad-CAM 集成到管道中。 这能够解释DL决策,并解决临床采用的主要障碍之一:ML预测缺乏透明度。 我们的模型实现了95%以上的定位精度,灵敏度为94.32%,特异性为99.78%。 XAI输出根据已知的去极化模式进行生理验证,并引入了一个新的索引,以确定AP本地化的最丰富的心电图线索。 结果突出显示铅V2是最关键的,其次是aVF,V1和aVL。 这项工作展示了将心脏数字孪生与可解释的DL相结合以实现准确,透明和非侵入性AP定位的潜力。
大语言模型(LLM)正在迅速应用于放射学,从而实现自动化图像解释和报告生成任务。 他们在临床实践中的部署既需要高诊断准确性,也需要低推理延迟,这反过来又需要强大的硬件。 高性能图形处理单元(GPU)提供了必要的计算和内存吞吐量,以便在成像数据上运行大型LLM。 我们审查现代 GPU 架构(例如: NVIDIA A100/H100、AMD Instinct MI250X/MI300)以及浮点吞吐量、内存带宽、VRAM容量的关键性能指标。 我们展示了这些硬件功能如何影响放射学任务:例如,生成CheXpert和MIMIC-CXR图像的报告或检测结果在计算上是密集的,并且受益于GPU并行性和张量核心加速。 实证研究表明,使用适当的GPU资源可以减少推理时间并提高吞吐量。 我们讨论实际挑战,包括隐私、部署、成本、功率和优化策略:混合精度、量化、压缩和多 GPU 扩展。 最后,我们预计下一代功能(8位张量核心,增强互连)将进一步启用内部部署和联合放射学AI。 推进 GPU 基础设施对于安全、高效的基于 LLM 的放射学诊断至关重要。
我们开发了一个模型,人类间充质干细胞(hMSCs)和球粒细胞在无纺布聚乙二醛酸酯(PET)支架中进化,浸渍含透明质,并配有分化介质。 支架和细胞被假定包含在具有液体灌注的生物反应器中。 hMSCs分化为球粒细胞有利于细胞外基质(ECM)的产生,并受到流体应力的影响。 该模型考虑了ECM和PET支架的变形。 支架结构通过CT图像纤维分布的统计评估明确包含。 有效的宏观方程是通过从较低(微观和中镜)尺度上的动力学进行适当的升级获得的,并且在运动术语中具有编码评估的各向各性支架结构的显式细胞扩散张量。 数值模拟显示了它对整体细胞和组织动力学的影响。
展示了用于上肢功能(三头肌brachii和extensor pollicis brevis)的传感器融合可穿戴辅助原型。 该设备集成了表面肌电图(sEMG),惯性测量单元(IMU)和M5StickC上的柔性/力传感器以及ESP32-S3计算集线器。 信号是带通和缺口过滤的;特征(RMS,MAV,零交叉和4-12 Hz震颤波段功率)在250 ms窗口中计算,并输入到INT8 TensorFlow Lite Micro模型。 控制命令由控制障碍功能安全包络绑定,并在基于游戏的任务中交付,具有轻量级的个性化。 在与健康志愿者(n = 12)执行三个面向ADL任务的试点技术可行性评估中,震颤突出度下降(Delta TI = -0.092,95%CI [-0.102,-0.079]),运动范围增加(+12.65%,95%CI[+8.43,+13.89]),重复上升(+2.99 min^-1,95%CI[+2.61,+3.35]),EMG中位率上升(+2.99 min^-1,95%CI[+2.61,+3.35])+0.127])。 传感到辅助环路以 100 Hz 运行,设备内延迟 8.7 ms 中位,100% 会话完成,0 次设备相关不良事件。 这些结果证明了嵌入式传感器熔接辅助上肢功能的技术可行性;计划在IRB监督下进行正式的患者研究。
受体积过载(VO)影响的心脏容易因机械伸展升高而产生有害的解剖学和功能变化,最终导致心力衰竭。 实验发现越来越强调,VO之后的器官尺度变化不能仅用肌细胞生长来解释,正如文献中传统上提出的那样。 特别是胶原蛋白降解与VO急性和慢性阶段的左心室适应有关。 这些假设仍有待全面的机械证据证实,每个成分对心肌生长和重塑(G R)过程的贡献尚未量化。 在这项工作中,我们建立了一个混合的G R框架,其中我们将基于混合的构成模型与运动型生长配方相结合。 这种多组成模型使我们能够机械地评估胶原蛋白和肌细胞变化对组织特性,心室尺寸和生长表型变化变化的相对贡献。 我们的数值结果证实胶原蛋白动力学控制心肌的被动机械反应,而肌细胞主要影响偏心肥大的程度和表型。 重要的是,胶原蛋白降解会加剧肌细胞肥大,表现出一种协同作用,加速左心室向舒张功能障碍的进展。 这项工作是朝着VO诱导心脏G R的早期补偿阶段综合表征迈出的重要一步。
在传统的同质化组织测试中完全捕捉这种行为需要激发多种变形模式,即联合三轴剪切测试和双轴拉伸测试。 本质上,这种多模态实验协议需要多个组织样本和广泛的样本操作。 内在样本间变异和操纵诱导的组织损伤可能对反向识别的组织行为产生不利影响。 在这项工作中,我们的目标是通过将注意力集中在参数估计问题中使用异质变形型材来克服这一差距。 更具体地说,我们调整了EUCLID,一种用于自动发现构图模型的无监督方法,旨在使用贝叶斯推理方法和三维连续体元素对高度非线性正畸构成模型进行参数识别。 我们展示了它的强度,以定量推断,不同的噪音水平,从一个单一的异质双轴拉伸测试中合成心肌组织板的材料模型参数。 这种方法显示了与地面真相模拟的良好一致性,并具有相应的可信度间隔。 我们的工作强调了从单个双轴拉伸测试中表征高度非线性和正畸材料模型的潜力,并具有不确定性量化。
空间可变基因(SVGs)揭示了有关组织结构,细胞相互作用和疾病微环境的关键信息。 随着空间转录组学(ST)技术的增殖,在不同平台,组织类型和疾病环境中准确识别SVG已成为一个重大机遇和重大计算挑战。 在这里,我们介绍了一项全面的基准测试研究,研究20种最先进的SVG检测方法,使用STimage-1K4M的人类幻灯片,STimage-1K4M是一种大规模的ST数据资源,包括来自18种以上组织类型的662张幻灯片。 我们通过一系列生物学和技术上有意义的标准来评估每种方法,包括恢复病理学家注释的域特异性标记,交叉滑动可重复性,高分辨率数据的可扩展性以及技术变化的稳健性。 我们的研究结果揭示了性能上的显著差异,具体取决于组织类型、空间分辨率和研究设计。 除了基准测试之外,我们还构建了SVG的第一个交叉组织图集,能够比较分析癌症和正常组织的空间基因程序。 我们观察到反映发育和功能关系的组织对之间的相似性,例如胸腺和淋巴结之间的高重叠,并发现与癌症中的转移,免疫渗透和原产组织身份相关的空间基因程序。 我们的工作共同定义了评估和解释空间基因表达的框架,并为ST社区建立了参考资源。
深度学习模型在其训练分布的图像上表现良好,当应用于新分布时,可能会大幅下降。 如果 CT 扫描仪引入了训练标签中不存在的新神器,则模型可能会错误地对图像进行分类。 虽然现代CT扫描仪包括减轻这些工件的设计功能,但未预期或难以缓解的工件仍可能在实践中出现。 从这种新发行版中标记图像的直接解决方案可能代价高昂。 作为更易于访问的替代品,本研究评估域适应作为训练模型的方法,尽管存在新的工件,即使没有相应的标签,也能保持分类性能。 我们模拟来自检测器的环状工件在鼻造影空间中增益错误,并根据OrganAMNIST腹部CT数据集上的基线和增强方法评估域对抗神经网络(DANN)。 我们的结果表明,仅对清洁图像进行训练的基线模型无法推广到具有环状工件的图像,而传统的其他失真类型的增强对看不见的工件域没有改进。 相比之下,DANN方法在训练过程中仅使用未标记的神器数据成功地保持了环神器图像的高分类精度,证明了域适应神器健壮性的可行性。 域适应模型实现了环工件测试数据的分类性能,可与明确训练有标记的神器图像的模型相媲美,同时还显示了对均匀噪声的意外概括。 这些发现提供了经验证据,表明域适应可以有效地解决医学成像中的分布变化,而无需昂贵的专家标记新工件分布,这表明在可能出现新工件的临床环境中部署的前景。
目前,牙齿的机械感觉系统部分依赖于Odontoblast细胞通过通过通过牙龈延伸的孔隙网络进行流体流动的刺激。 因此,可视化最小的亚微观孔隙血管需要从共聚焦荧光显微镜(当前的金标准)中获得最高的可实现分辨率。 这大大限制了视野的范围到非常小的样本区域。 为了克服这一限制,我们测试了不同的深度学习(DL)超分辨率(SR)模型,以允许更快地实验获取低分辨率图像,并通过后处理恢复最佳图像质量。 三个监督2D SR模型(RCAN,pix2pix,FSRCNN)和一个无监督(CycleGAN)应用于一组独特的实验配对的高分辨率和低分辨率共聚焦图像,获得不同的采样方案,导致像素大小增加x2,x4,x8。 使用广泛的相似性和基于分布的图像质量评估(IQA)指标量化了模型性能,结果不一致,这与我们的视觉感知大相悖。 这就提出了这种通用指标与有效靶向牙孔的特定结构的相关性的问题。 为了解决这些相互冲突的信息,对生成的SR图像进行了细分,考虑了孔隙网络的特定尺度和形态,并通过比较连接的组件进行了分析。 此外,还使用图形分析评估了SR模型在整个共聚焦图像堆栈中保持3D孔隙率连接的能力。 这种生物学驱动的评估允许对SR性能进行更好的机械性解释,突出了模型对弱强度特征的敏感性差异以及非线性在图像生成中的影响,这解释了标准IQA指标的失败。
目标:我们试图开发一种分类算法,从接受侵入性机械通气的急性呼吸衰竭(ARF)患者进行脑成像的自由文本放射学报告中提取诊断。 方法:我们开发和微调了基于BERT的模型Neu-RadBERT,对非结构化放射学报告进行分类。 我们从MIMIC-IV数据库中提取了所有脑成像报告(计算机断层扫描和磁共振成像),在ARF患者中执行。 初始手动标签是在针对各种大脑异常的报告子集上进行的,然后使用三种策略对Neu-RadBBERT进行微调:1)基线RadBERT,2)带有蒙面语言建模(MLM)预训练的Neu-RadBERT,以及3)Neu-RadBBERT与MLM预训练和过度采样以解决数据偏斜。 我们将该模型的性能与Llama-2-13B(一种自动回归LLM)进行了比较。 结果:Neu-RadBERT模型,特别是过度采样,与基线RadBERT相比,诊断准确性显着提高,达到98.0
这项研究提出了深度学习框架和注释方法,用于自动检测牙周骨丢失地标,相关条件和分期。 收集了192张腹腔放射线图,并用阶段不可知论方法注释,无论疾病存在或程度如何,都会标记临床相关地标。 我们提出了一个后周处理后处理模块,该模块使用辅助实例分割模型将预测的关键点与牙齿边界对齐。 评估指标,相对正确关键点的百分比(PRCK),旨在捕获牙科成像领域的关键点性能。 对我们的关键点问题进行了调整,对四个捐助方的姿势估计模型进行了调整。 后处理改善了细粒度的本地化,将PRCK^0.05的平均PRCK^0.05提高了+0.028,但PRCK^0.25的粗性能降低了-0.0523,PRCK^0.5降低了-0.0345。 定向估计显示,当使用任一阶段 1 对象检测模型进行过滤时,辅助分割的出色性能。 月牙阶段被检测到,最好的中和远端骰子得分为0.508和0.489,而由于阳性样本稀少,疮疱参与和扩大牙周韧带空间任务仍然具有挑战性。 可扩展性隐含着类似的验证和外部设置性能。 注释方法使阶段不可知论者培训能够在一些检测任务中平衡地跨疾病严重性进行平衡。 PRCK指标为通用pose指标提供了一个特定领域的替代方案,而后周论后处理模块则一致地纠正了难以置信的预测,偶尔会出现灾难性的失败。 拟议的框架展示了临床可解释的牙周骨损失评估的可行性,有可能减少诊断变异性和临床医生的工作量。
在这项工作中,我们提出了一种新的方法来校准Windkessel(WK)参数在尺寸减小的1D-0D耦合血流模型中。 为此,我们设计了一个数据驱动的神经网络(NN),训练在左侧胸腔动脉的模拟血压。 一旦训练,NN模拟整个模拟域的压力脉冲波,即随着时间的推移,空间和不同的WK参数,误差和计算工作量可以忽略不计。 为了校准测量脉冲波上的WK参数,NN由虚拟神经元扩展,并且仅对这些神经元进行再训练。 这项工作的主要目标是评估该方法在各种情况下的有效性 - 特别是当确切的测量位置未知或数据受到噪声影响时。
最先进的(SOTA)卷积神经网络(CNN)因其广泛的计算能力,长时间的训练时间和大型数据集而受到批评。 为了克服这一限制,我们提出了一个合理的网络(R-Net),一个轻量级的CNN,仅使用肠镜活检组织病理学血氧林和Eosin图像数据集(EBHI)检测和分类结直肠癌(CRC)。 此外,6个SOTA CNN,包括基于多路径的CNN(DenseNet121,ResNet50),基于深度的CNN(InceptionV3),基于宽度的多连接CNN(Xception),深度可分离卷积(MobileNetV2),基于空间利用的CNN(VGG16),传输学习和两个集成模型也在同一数据集上进行测试。 集成模型是多路径深度-带宽组合(DenseNet121-InceptionV3-Xception)和多路径深度空间组合(ResNet18-InceptionV3-VGG16)。 然而,拟议的R-Net轻量级实现了99.37
通过巴氏涂片分析进行早期和准确的检测对于改善患者预后和降低宫颈癌死亡率至关重要。 最先进的(SOTA)卷积神经网络(CNN)需要大量的计算资源,延长训练时间和大型数据集。 在这项研究中,一个轻量级的CNN模型S-Net(Simple Net)是专门为宫颈癌检测和分类开发的,使用巴氏涂片图像来解决这些限制。 除了S-Net之外,还使用迁移学习评估了六个SOTA CNN,包括多路径(DenseNet201,ResNet152),基于深度(Serasnet152),基于宽度的多连接(Xception),深度可分离卷积(MobileNetV2)和基于空间利用(VGG19)。 所有型号,包括S-Net,都实现了可比的精度,S-Net达到99.99
肺癌仍然是全球癌症相关死亡率的主要原因。 本综述分析了各种方法,包括先进的图像处理方法,重点关注它们解释CT扫描,胸部放射线图和生物标记的功效。 值得注意的是,我们确定了之前调查中的关键差距,包括需要强大的模型,这些模型可以概括不同的人群和成像模式。 这种综合合成旨在作为研究人员和临床医生的基础资源,指导未来为更准确和高效的肺癌检测所做的努力。 主要发现表明,与CT扫描集成的3D CNN架构实现了最卓越的性能,但高误报,数据集可变性和计算复杂性等挑战在各个模式中仍然存在。
临床机器学习在高风险医疗应用中面临一个关键的困境:实现最佳诊断性能的算法通常会牺牲医生决策所必需的可解释性,而可解释的方法在复杂场景中会降低灵敏度。 这种悖论在非侵入性产前检测(NIPT)中变得尤为严重,其中错过的染色体异常具有深刻的临床后果,但监管框架要求可解释的AI系统。 我们引入了医疗优先聚变(MPF),这是一个受约束的多目标优化框架,通过在明确的医疗约束下,通过数学原则加权融合,系统地将天真贝叶斯概率推理与基于决策树的逻辑相结合,解决了这一基本权衡。 对1,687个以极端类失衡(43.4:1正常与异常比率)为特征的1687个真实世界的NIPT样本进行了严格的验证,使用全面的消融研究和统计假设测试,使用McNemar的配对比较进行了分层5倍的交叉验证。 MPF实现了双重目标的同步优化:89.3
作为一种轻量级和非侵入性成像技术,肺超声(LUS)在评估肺部病理学方面已经变得重要。 由于时间和专业知识密集的解释,人工智能(AI)在医疗决策支持系统中的使用是有希望的,但由于用于训练AI模型的现有数据质量差,其用于实际应用的可用性仍不清楚。 在一项前瞻性研究中,我们分析了在马斯特里赫特大学医学中心收集的63名COVID-19嫌疑人(33名阳性)的数据。 在BLUE协议之后获得了六个身体位置的超声记录,并手动标记为肺部参与的严重程度。 应用和训练了几种AI模型,用于检测和肺部感染的严重程度。 根据LUS视频的人类注释者分配的肺部感染的严重程度在COVID-19阳性和阴性患者之间没有显着差异(p = 0.89)。 然而,基于图像的AI模型的预测确定了65的COVID-19感染
逆向学习是一种广泛采用的自我监督预训练策略,但它对队列组成的依赖性仍然没有得到探索。 我们介绍了患者增强心电图(CAPE)基础模型的对比,并针对来自三大洲(北美,南美,亚洲)的不同人群的四个队列(n = 5,203,352)进行了预训练。 我们系统地评估队列人口统计,健康状况和人口多样性如何影响预测任务的下游表现,还包括来自另一个大陆(欧洲)的另外两个队列。 我们发现下游性能取决于预训练队列的分布特性,包括人口统计和健康状况。 此外,虽然使用多中心,人口统计学上多样化的队列进行预训练可以提高分布内的准确性,但它通过编码队列特定的工件来减少我们对比方法的分布外(OOD)泛化。 为了解决这个问题,我们提出了分销批次(IDB)战略,该战略在预训练期间保持队列内的一致性,并提高OD稳健性。 这项工作为开发临床公平和可推广的基础模型提供了重要的见解。
继续滚动加载更多
