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
-
Google Research利用智能手机照片估算代谢风险
Google Research开发了PhotoScan，一个深度学习框架，它利用标准的智能手机照片来估算身体成分指标，如体脂百分比、安卓股比和内脏脂肪与皮下脂肪比。这项技术在UK Biobank和新队列的数据上进行了训练，其在预测胰岛素抵抗方面的准确性与DXA扫描相当。PhotoScan旨在提供一种可扩展、非侵入性的早期代谢风险检测方法，其准确性超越了基于智能手表的生物电阻抗分析传感器。
-
新方法改进了英国生物银行数据的全身MRI配准
研究人员开发了一种新的方法，用于配准英国生物银行（一项大规模健康数据研究）的全身MRI图像。该技术利用组织掩模，特别是由VIBESegmentator方法生成的皮下脂肪组织和肌肉掩模，来提高基于强度的图割配准的准确性。与现有的仅强度方法和其他配准工具（如uniGradICON和MIRTK）相比，所提出的方法显示出较低的雅可比行列式折叠频率和较高的Dice分数。这种增强的配准准确性有望促进英国生物银行中非成像健康数据与图像衍生参数的更精…
-
新的CAN-FLOW框架为虚拟队列生成逼真的心脏解剖结构
研究人员开发了CAN-FLOW，一个用于为虚拟队列生成逼真心脏解剖数据的新框架。该方法利用条件归一化流，根据性别、年龄和体重指数等因素对解剖变异性进行建模。CAN-FLOW在2,208名英国生物银行受试者的数据上进行了训练，在重现临床表型分布和解剖趋势方面，其性能优于条件变分自编码器。该框架旨在解决心脏数字孪生研究中的数据限制问题，并促进计算机模拟临床试验工作流程。
-
AI模型用于脑萎缩检测显示跨人群可转移性
研究人员调查了最初在英国生物银行数据上训练的随机皮层自重建（SCSR）模型向独立的中国人群数据集的可转移性。该研究通过比较不同的训练策略和重建骨干网络，评估了SCSR检测灰质萎缩的能力，灰质萎缩是阿尔茨海默病等疾病的标志。结果表明，SCSR能有效识别中国人群的皮层萎缩，其中经过微调的Spherical UNet模型取得了最高的区分性能。
-
饮用咖啡与降低肝脏和心脏病风险相关
最新研究表明，适量饮用咖啡（定义为每天最多五杯）与肝脏和心血管系统有显著的健康益处。一项大型英国生物银行研究发现， regular coffee drinkers 患肝硬化、肝癌和肝病死亡的风险较低，即使在较低的饮用量下也观察到了益处。此外，美国心脏协会的一项审查表明，适量饮用咖啡对大多数成年人是安全的，并且可能与降低心脏病、中风和2型糖尿病的风险相关，而不会增加心律失常的可能性。
-
AI模型LeDXA从X射线扫描中提取疾病风险和生物年龄
研究人员开发了LeDXA，一种从双能X射线吸收法（DXA）扫描中提取健康见解的自监督学习模型。LeDXA在未标记的DXA图像上进行训练，可预测疾病风险、生物衰老和遗传性，其表现优于传统的DXA测量和DINOv3等通用模型。该模型在骨关节炎（髋关节和膝关节）和2型糖尿病等常见和新发疾病的预测方面有所改进，并准确估计了生物年龄，该年龄与疾病负担和死亡风险相关。
-
新型AI模型从二维MRI扫描中分析心脏功能
研究人员开发了NISF++，一个先进的神经隐式表示系统，旨在从二维心脏磁共振（CMR）成像视图中对心脏功能进行建模。该系统整合了来自不同采集平面的信息，确保了时空一致性，并能够以任何分辨率插值分割。NISF++还包含可学习的旋转和平移参数，可以校正扫描过程中患者的运动。对UK Biobank数据的研究表明，NISF++在分割方面表现与现有方法相当，并且由于其运动校正能力，切片对齐效果有所改善。
-
新的深度学习框架 Eddeep 加速了 MRI 失真校正
研究人员开发了 Eddeep，一个新颖的深度学习框架，旨在快速校正扩散 MRI (dMRI) 数据中的几何失真。这些由涡流引起的失真会严重影响下游微观结构分析的准确性。Eddeep 采用两阶段过程：一个图像翻译网络用于标准化图像外观，以及一个无监督配准网络用于估计失真和运动参数。这种方法实现了与 FSL Eddy 等现有方法相当的校正质量，但处理时间大大缩短，使其适用于大规模研究和临床应用。
-
新AI模型利用PPG信号筛查主动脉瓣疾病
研究人员开发了一种新颖的生理信号引导的自监督学习（PG-SSL）方法，利用光电容积脉搏波描记法（PPG）信号来筛查主动脉瓣疾病（AVD）。该方法利用了来自UK Biobank的约17万条未标记的PPG记录，根据与主动脉瓣狭窄和反流相关的波形表型构建伪标签。在小型标记数据集上进行微调后，该模型在主动脉瓣狭窄上的AUROC为0.8025，在主动脉瓣反流上的AUROC为0.7669，展示了其在低成本、可扩展的AVD筛查方面的潜力。
-
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。