UK Biobank
PulseAugur coverage of UK Biobank — every cluster mentioning UK Biobank across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
-
深度学习模型实现人群规模阴茎MRI分割
研究人员开发了一个深度学习框架，可自动分割DIXON MRI扫描中的阴茎组织，从而实现男性生殖健康研究的人群规模定量表型分析。该模型在精心策划的数据集上使用3D nnU-Net架构进行了优化，并在独立测试集上达到了观察者级别的准确性。该框架已成功应用于超过34,000名UK Biobank参与者，证明了其高可重复性，并为解剖学评估提供了一种可扩展的方法。
-
新方法利用隐式神经表示改进心脏运动估计
研究人员探索了四种不同的学习心脏运动先验的策略，以提高隐式神经表示（INRs）在心脏运动估计中的效率和准确性。这些策略包括群体先验、共识先验、自动编码器和元学习，并使用来自英国生物银行的心脏MRI数据进行了评估。结果表明，与随机初始化相比，所有学习到的先验都显著提高了早期适应性能，其中元学习在50次迭代中的整体适应轨迹表现最佳。
-
BrainFIBRE：用于大脑微观结构分析的新基础模型
研究人员推出 BrainFIBRE，这是一种新颖的基础模型，用于利用扩散加权磁共振成像 (dMRI) 数据分析大脑微观结构。该模型利用自监督部分信息分解技术 (SPID) 和混合专家架构，从不同的 dMRI 衍生图谱中分离出独特、协同和冗余的信息。BrainFIBRE 在超过 55,000 名 UK Biobank 参与者的数据上进行了预训练，在预测各种健康标记物和认知能力方面表现出最先进的性能，同时还提供了神经生物学上可解释的表征。
-
新的IDNet框架通过多模态数据融合改进心脏病筛查
研究人员开发了IDNet，一个新颖的多模态框架，旨在通过彩色眼底摄影和临床数据实现更稳健的缺血性心脏病（IHD）筛查。该框架包含一个跨模态蒸馏聚合器（CDA），可有效融合视觉特征和表格特征，解决了高维图像数据与低维临床变量之间的不平衡问题。为了支持这项研究，使用UK Biobank数据创建了一个新的、可复现的基准，该基准包含来自25,205名受试者的50,410张图像，证明了IDNet在性能上优于现有方法。
-
新的IDNet框架利用视网膜图像和临床数据改进心脏病筛查
研究人员推出了一种新颖的多模态框架IDNet，旨在利用彩色眼底摄影改进缺血性心脏病（IHD）的筛查。IDNet包含一个跨模态蒸馏聚合器（CDA），它通过使用可学习的查询来整合视觉和表格特征，从而有效地将视网膜图像与稀疏的临床数据融合。为了支持这项工作，利用UK Biobank创建了一个新的基准，该基准包含来自25,000名受试者的50,000多张图像和临床数据。在这一基准上，IDNet的表现优于现有方法，并且CDA模块被证明是增强各种…
-
新型 MICViT 模型增强多模态脑部 MRI 分析
研究人员开发了一种名为 MICViT 的新型 3D 视觉 Transformer 模型，旨在改进多模态脑部 MRI 数据的整合。该模型显式地在局部和全局层面捕获模态特定特征和跨模态交互。在脑龄预测的大型数据集上的评估表明，MICViT 超越了现有的 CNN 和 Transformer 基线，在整合多种 MRI 模态时显示出显著的性能提升。
-
新的潜在ODE模型增强了心脏MRI心力衰竭预测能力
研究人员开发了一种新颖的潜在动力学模型，使用神经常微分方程（ODE）来分析心脏磁共振成像（CMR）数据。该模型将双心室解剖结构和全周期动态运动编码到连续的潜在轨迹中，旨在比传统方法更准确地预测心力衰竭事件。该方法在对超过72,000名英国生物银行参与者进行的一项研究中显示出改进的预后性能，表明其在提供更丰富的心脏表型方面的潜力。
-
AI框架REVEAL++利用视网膜扫描改善阿尔茨海默病风险预测
研究人员开发了REVEAL++，一个利用视网膜成像和临床数据预测阿尔茨海默病风险的新框架。这种新方法采用了一种可微分的表型分组方法，允许对受试者间的相似性进行连续建模，而不是僵化的离散分配。通过学习软的、多正相关的关系，REVEAL++在UK Biobank等大规模数据集上提高了阿尔茨海默病风险预测的准确性，优于现有的视觉语言基线模型。
-
研究发现测量噪声限制了非线性模型在生物医学预测中的应用
一项新的研究论文认为，测量噪声而不是模型限制是阻碍非线性模型在生物医学预测任务中表现的主要因素。该研究表明，加性噪声比线性结构更快地抹去非线性结构，从而削弱了复杂模型的优势。作者提出，提高测量可靠性，以及样本量和特征表示，对于灵活模型提供优势至关重要，而这在大多数生物医学应用中很少能满足。
-
新方法仅凭预测即可检测机器学习数据泄露
研究人员开发了一种新方法，无需访问训练数据或代码即可检测机器学习中的信息泄露。该技术仅分析模型的预测和结果来识别污染。这种方法将泄露分为三种类型：校准不当、广泛校准和确定性，并为每种类型设计了特定的测试，从而提供了一种评估基于机器学习的科学的可复现性的方法。
-
新AI框架根据ECG和MRI生成心脏电影图像
研究人员开发了一个名为Chain of Flow (COF)的新框架，该框架利用心电图 (ECG) 和患者特异性MRI数据生成4D心脏电影图像。该方法旨在即使在没有现成完整电影序列的情况下也能提供功能性心脏评估。COF在英国生物银行数据集上表现出强大的性能，显示出稳定的图像质量和可靠的下游功能分析，并可能应用于连续患者监测。
-
CardioMorphNet 使用形状引导的贝叶斯深度学习预测心脏运动
研究人员开发了 CardioMorphNet，一种新颖的贝叶斯循环深度学习框架，用于从短轴心脏 MRI 图像预测心脏运动。该方法利用循环变分自编码器和用于分割及运动估计的后验模型，引导网络关注解剖区域，而不依赖于基于强度的配准。与现有的最先进方法相比，CardioMorphNet 在运动估计和临床指标准确性方面表现出卓越的性能，同时还为其预测提供了不确定性图。
-
贝叶斯超图推理模型疾病风险路径
研究人员开发了一个新的贝叶斯超图推理框架，利用电子健康记录来模拟疾病与风险因素之间复杂的相互关系。该方法超越了独立处理疾病的局限，转而关注调节疾病风险的潜在路径。该框架提供了关于风险因素如何组织疾病模式的可解释的见解，并提供了校准的不确定性量化，在模拟数据和英国生物银行上的表现优于现有方法。
-
新的因果分析方法提高了髋部骨折风险预测的准确性
研究人员开发了一种因果分析方法，以更好地理解源自DXA扫描的骨骼表型与髋部骨折风险之间的关系。通过分析来自超过21,000名UK Biobank参与者的数据，他们发现股骨总骨矿物质含量和密度对骨折风险的影响最大。与现有方法相比，将这些表型纳入风险预测模型显著提高了准确性。
-
新研究表明模型级集成可改进机器学习特征重要性
一篇新研究论文提出了一种改进机器学习模型特征重要性估计准确性的方法，特别适用于生物医学研究等关键应用中使用的复杂模型。该研究发表在arXiv上，表明在模型层面进行集成，而不是聚合单个模型解释，可以产生更可靠的变量重要性估计。该方法通过理论分析以及在基准测试和来自UK Biobank的大规模蛋白质组学研究中的实验得到了验证。
-
新的RoVTL框架解决了多模态学习中缺失的表格数据问题
研究人员开发了RoVTL，一个新颖的框架，旨在处理多模态学习中缺失的表格数据，特别是在医疗生物样本库方面。该框架在下游调优时采用对比预训练（模拟缺失）和独特的“表格更多对更少”损失函数，以确保无论数据完整性如何，都能获得一致的性能。RoVTL在英国生物样本库的心脏MRI扫描中表现出卓越的鲁棒性，并有望推广到其他医学影像数据集甚至自然图像。
-
AI使用因果VAE生成反事实DXA脊柱图像
研究人员开发了一种因果分层变分自编码器（CHVAE）来生成逼真的脊柱DXA图像。该模型在UK Biobank数据上进行训练，并以参与者属性和腰椎形态为条件。CHVAE通过模拟年龄干预后准确合成随访图像，展示了因果一致性，并与观测测量结果高度一致。
-
新方法在预算限制下优化多模态AI的数据获取
研究人员推出了一种名为“基于队列的主动模态获取”（CAMA）的新方法，用于在预算限制下优化多模态机器学习中额外数据模态的获取。CAMA侧重于测试时、队列级别的获取，并提出基于插补的策略来估计为选定样本获取缺失模态的效用。实验表明，与随机或基于熵的方法相比，CAMA在指导模态获取方面更有效，并在使用UK Biobank数据进行疾病预测的实际应用中得到了展示。
-
Pan-FM模型解决医学影像中缺失器官数据的问题
研究人员开发了Pan-FM，一个专为医学影像设计的、能够处理多器官缺失数据的基础模型。与之前在单一器官上训练的模型不同，Pan-FM从七个不同器官中学习，并使用一种称为显著性引导掩码（SGM）的技术来防止对主导器官产生偏见。这种方法提高了各种疾病的预测准确性，并增强了器官数据不完整时的鲁棒性，为更具泛化性的全身医学影像模型铺平了道路。
-
新方法解决大规模人群研究中缺失协变量数据的问题
研究人员开发了一种新的增强迁移回归学习方法，以解决目标人群中关键协变量完全缺失的情况，这是UK Biobank等大型数据集中常见的问题。该技术专为跨人群缺失数据问题设计，假设虽然结果与观测变量之间的关系在不同人群中可能发生变化，但缺失协变量的条件分布保持不变。所提出的估计量是双重稳健的，并在特定条件下实现了半参数效率。