inflammatory bowel diseases
PulseAugur coverage of inflammatory bowel diseases — every cluster mentioning inflammatory bowel diseases across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
AI框架融合组织学和临床数据以预测炎症性肠病缓解
研究人员开发了一个用于多模态AI融合的模块化框架,结合全切片组织学图像和临床数据来预测炎症性肠病(IBD)的预后。该框架允许对15种不同的融合方法进行可互换测试。在一个新诊断的IBD患者前瞻性队列中,表现最佳的融合方法获得了0.57-0.75的宏观F1分数,在六种场景中的四种优于单一模态模型,并且根据缓解类型,其对图像数据的依赖程度有所不同。
-
新型基础模型整合分类层级用于肠道微生物组分析
研究人员开发了TaxoMFM,一个新颖的基础模型,通过整合分类层级来分析人类肠道微生物组。与使用扁平化表示的先前模型不同,TaxoMFM利用自监督学习来理解不同分类级别上的丰度模式以及组内的相对比例。该模型在TaxoGut-HPP数据集上进行了评估,该数据集包含超过100,000个微生物组样本,并涵盖了许多预测任务。TaxoMFM在预测包括结直肠癌、2型糖尿病和炎症性肠病在内的各种健康状况方面表现出有竞争力的性能,即使在零样本迁移场景下也是如此。
-
Mura Bio 靶向免疫细胞代谢以治疗自身免疫性疾病
Mura Bio 是一家由徐可博士联合创立的初创公司,正通过靶向免疫细胞的代谢途径来开发针对自身免疫性疾病的新型疗法。其领先候选药物 MP-5342 是一种口服 LDHA 抑制剂,旨在“饿死”致病性免疫细胞,有望成为比现有免疫抑制剂更安全的选择,并具有显著更宽的安全窗口。该公司还在开发 META-001-PH 用于治疗原发性高草酸尿症,这是一种罕见的遗传性代谢紊乱。Mura Bio 利用人工智能进行药物发现,专注于潜在候选药物的快速筛…
-
FLKit工具包简化了健康科学领域联邦学习的入门流程
一款名为FLKit的新工具包已被开发出来,旨在简化联邦学习项目的入门流程,尤其是在健康和生命科学领域。这个开放的、社区维护的资源引导多学科团队完成整个联邦学习生命周期,为临床、法律、治理和技术贡献者提供特定角色的入口。FLKit围绕四个生命周期阶段构建,包含一个术语表、一个规划模板和一个工具目录,现有的FL Stories记录了多发性硬化症和基因组学等领域的项目。
-
LLM用于医疗诊断中的零样本主动特征获取
研究人员开发了一个新颖的零样本主动特征获取(AFA)框架,通过规范的诱导过程利用大型语言模型(LLMs)。该方法侧重于从LLMs中提取特定的统计信息,如一元偏差和成对协方差,然后用于指导分类或排序任务的特征选择。该框架在炎症性肠病(IBD)患者队列上进行了评估,在复杂病例方面表现优于现有方法。
-
新的 Tri-SfSVD 方法揭示复杂纵向数据中的模式
研究人员开发了 Tri-SfSVD,这是一种新颖的稀疏函数奇异值分解框架,旨在揭示复杂纵向数据中的模式。该方法直接分析观测数据,将连续轨迹估计与主体、特征和时间间隔的同时选择相结合。Tri-SfSVD 旨在通过避免临时插补和限制性形状假设来克服现有方法的局限性,从而能够在多个层面发现局部结构。
-
图学习模型增强炎症性肠病早期检测
研究人员开发了GraD-IBD,一种用于早期检测炎症性肠病(IBD)的新型基于图的模型。该模型将患者诊断轨迹表示为时间定向图,克服了传统序列建模的局限性。一项关键创新是上下文感知的时间衰减消息传递机制,它能有效地捕捉时间依赖性,降低计算复杂度并提高在真实临床数据上的IBD检测准确性。