PulseAugur
中
实时 21:05:45
实体 disease

disease

PulseAugur coverage of disease — every cluster mentioning disease across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
2
90 天内 8
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 4
层级分布 · 90 天
主题
情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 9 条
  1. SIGNIFICANT · CL_353324 ·

    Google DeepMind 发布 AlphaGenome 2 以解码 DNA 对细胞的影响

    Google DeepMind 推出了 AlphaGenome 2,这是一个旨在理解 DNA 变化如何影响特定细胞的人工智能模型。这一进展可能为疾病起源提供关键见解,并指导新疗法的开发。该模型提供了对遗传变异的细胞反应的更详细视图,这是一个以前对科学家来说具有挑战性的复杂领域。

  2. RESEARCH · CL_353237 ·

    Google DeepMind 的 AlphaGenome 2 预测 DNA 对个体细胞类型的影响

    Google DeepMind 推出了 AlphaGenome 2,这是一个先进的 AI 模型,旨在预测 DNA 序列的变异如何影响特定的人类细胞类型。与前代 AlphaGenome 相比,这一下一代模型通过关注个体细胞类型和状态,而不是广泛的组织平均值,提供了更精细的视图。AlphaGenome 2 在超过 1 亿个细胞谱图上进行了训练,能够识别出近两倍的改变基因表达的变异,并且无需重新训练即可预测新细胞类型的影响,为理解疾病的细胞…

  3. RESEARCH · CL_250808 ·

    美国医学会宣布近视是一种疾病

    美国医学会(American Medical Association)已正式将近视(nearsightedness, myopia)列为一种疾病。此举旨在鼓励更积极的眼部护理和预防措施,以对抗严重的视力丧失。这一决定凸显了将近视作为一项重大健康问题进行管理和治疗的日益增长的关注。

  4. COMMENTARY · CL_248108 ·

    人工智能加剧身体形象问题,表观基因组编辑取得进展,报告一项2000万美元融资

    本周,健康经济正面临几个关键问题,包括人工智能生成的瘦身理想对身体形象的负面影响。此外,表观基因组编辑的进展为疾病治疗提供了新方法。一个透明肽平台Sy已获得2000万美元融资。

  5. RESEARCH · CL_227117 ·

    生物医学AI研究通过量化证据和可解释的不确定性来关注信任

    两篇新研究论文提出了生物医学AI的进展,重点是提高医疗保健中AI系统的可靠性和可信度。第一篇论文提倡量化证据挖掘,它不仅提取实体和关系,还提取剂量、效应大小和不确定性等关键细节,以构建更具审计性和可验证性的知识图谱。第二篇论文介绍了可解释的不确定性估计,将不确定性量化与特征级解释相结合,以阐明预测不确定的原因以及哪些因素导致了这种不确定性,从而提高医学专家对AI预测的校准信任度。

  6. RESEARCH · CL_215244 ·

    人类DNA中隐藏的“开启开关”被破译,推动个性化医疗发展

    研究人员在人类DNA中发现了一个先前未知的“开启开关”,这一发现可能显著推动个性化医疗和对疾病的理解。这项突破涉及对特定遗传机制的破译,可能为新的治疗方法铺平道路。其影响延伸到计算建模和生物技术,凸显了AI与生物学研究的交叉点。

  7. RESEARCH · CL_135241 ·

    新的 MobenFL 基准评估用于医学影像的联邦学习

    研究人员开发了 MobenFL,一个旨在评估医学影像联邦学习算法的新基准。该基准通过整合 20 种最先进的算法和涵盖 12 个器官的 22 个多样化数据集,解决了现有系统的局限性。MobenFL 超越了简单的准确性评估,在涉及不同疾病、设备和成像模态的各种临床场景中评估算法效率和隐私保护能力。

  8. TOOL · CL_73858 ·

    工程化纳米抗体照亮细胞过程

    研究人员开发了一种使用纳米抗体(较小的抗体片段)来可视化活细胞内过程的新方法。这些特制的纳米抗体带有荧光标签,可以在细胞内保持稳定和功能,克服了传统抗体的局限性。这一进展使科学家能够在各种生物环境中,包括活体动物中,实时观察细胞活动、疾病进展和分子事件,从而提供比以往更全面的理解。

  9. RESEARCH · CL_06760 ·

    新框架使用条件扩散模型进行多模态联邦学习

    研究人员开发了一个名为 CondI 的新框架,用于解决多模态联邦学习中的缺失数据问题,尤其是在临床环境中。该方法使用条件扩散模型显式填充模态内未观察到的数据点,并利用可用的多模态上下文。该框架训练特定于模态的提取器和联合嵌入空间,使模型能够操作完整的语义结构,并提高对数据不完整的鲁棒性。在临床数据集上的实验表明,CondI 取得了与现有最先进方法相当的结果。