Human Phenotype Ontology
PulseAugur coverage of Human Phenotype Ontology — every cluster mentioning Human Phenotype Ontology across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
FaceKit工具可实现罕见病的定量面部表型分析
研究人员开发了FaceKit，一个用于使用正面面部照片进行定量面部表型分析的新计算框架。该工具提取标准化的测量值和形态特征，并将其与从FairFace数据集得出的群体参考分布进行比较。FaceKit还提供罕见病模型开发的合成面部图像生成功能，并包含隐私评估以确保患者数据受到保护。该框架已证明其能够客观地捕捉并支持罕见遗传性疾病的临床特征描述。
-
AI代理在遗传病严重程度分类中达到93.55%的准确率
研究人员开发了一种AI代理，该代理结合了推理和检索增强生成技术来对遗传病的严重程度进行分类。该代理在10,211个“人类表型本体论”术语上进行了训练，并利用了美国医学遗传学学院和美国妇产科学院的指南。该系统在表型层面达到了93.55%的准确率，并与外部基因列表显示出95.2%的一致性，为遗传病分类提供了一种标准化和自动化的方法。
-
RareLens平台简化罕见病变异分类
RareLens是一个新平台，旨在通过分析患者的基因组和临床表型来帮助科学家识别罕见病的原因。该平台使用Nextflow管道注释变异，使用FastAPI服务根据表型数据对变异进行排名，并使用LightGBM模型进行进一步分析。它在Google Cloud上提供了多种部署选项，包括一个低成本待机的无服务器选项和一个用于更复杂需求的基于Kubernetes的解决方案。该项目强调使用开源工具和公开可用的数据，不处理任何患者数据。
-
新的基准和框架增强了生物医学文本理解和归一化
研究人员开发了新的基准和框架，以改进生物医学文本的理解和归一化。OntologyBench是一个分层基准，在概念接地、关系检索和基于成分表型检索任务上评估密集检索方法，发现尽管微调有帮助，但当前的嵌入方法在处理复杂关系方面存在困难。另一种方法QIME通过将维度与生物医学本体问题进行接地来创建可解释的嵌入，与先前可解释方法相比，在聚类、STS和检索任务上显著提高了性能。此外，OntologyAligner提供了一个三阶段的生物医学本体归…
-
新框架使用分层3D几何结构对人脸表型进行分类
研究人员开发了FaceMesh2HPO，一个旨在对齐人类表型本体（HPO）的面部表型描述符进行分类的新框架。该系统利用分层分类流程和级联特征消除，该系统基于从2D图像派生的3D面部网格进行训练，并由124名临床医生对10种疾病进行了标注。虽然最佳模型的AUROC范围约为0.55至0.89，在更广泛的父节点上表现优于特定的叶节点术语，但外部验证显示其泛化能力参差不齐。该研究强调了3D面部几何结构的分层建模在可解释的、与本体链接的表型分类…
-
新AI模型结合面部图像和临床数据用于罕见病诊断
研究人员开发了GestaltMML，一种利用Transformer架构的新型多模态机器学习方法，以增强罕见遗传性疾病的诊断。该系统整合了面部图像、人口统计数据和临床笔记，其表现优于现有的仅图像模型。GestaltMML在缩小诊断可能性和支持遗传测序数据再解释方面显示出特别的潜力，尤其对于来自代表性不足的祖先的患者。