Supervised Contrastive Learning-based Digital Biomarker Discovery for Wearable IMU Gait Signals
本研究引入了嵌入距离步态生物标志物(EDGB),这是一种监督对比学习框架,它利用紧凑的卷积神经网络从原始可穿戴式惯性测量单元(IMU)信号中提取鲁棒的32维潜在表示,在区分健康、神经系统及骨科步态模式方面实现了高准确度,同时展现出强大的可靠性和显著的组间差异。
225 篇论文
健康信息学正以前所未有的速度重塑现代医疗,它不再仅仅是电子病历的数字化,而是利用数据科学挖掘海量健康信息,以优化诊疗决策、提升公共卫生响应效率。这一领域架起了临床医学与计算技术之间的桥梁,让原本沉睡的数据转化为挽救生命的洞察。
在 Gist.Science,我们专注于从 medRxiv 预印本服务器中实时追踪该领域的最新研究。我们处理每一份新发布的论文,不仅提供详尽的技术解读,更将其核心发现转化为通俗易懂的中文摘要,确保无论是专业人士还是普通公众都能轻松理解这些前沿突破。
以下为您呈现健康信息学领域的最新论文列表,带您第一时间探索数据驱动医疗的未来。
本研究引入了嵌入距离步态生物标志物(EDGB),这是一种监督对比学习框架,它利用紧凑的卷积神经网络从原始可穿戴式惯性测量单元(IMU)信号中提取鲁棒的32维潜在表示,在区分健康、神经系统及骨科步态模式方面实现了高准确度,同时展现出强大的可靠性和显著的组间差异。
这项使用真实世界数据的目标试验仿真研究表明,在肾细胞癌患者中,将 PD-1/PD-L1 抑制剂与 VEGFR 酪氨酸激酶抑制剂联合使用,较之 VEGFR 酪氨酸激酶抑制剂单药治疗显著改善了受限平均生存时间,从而支持了尽管存在非比例风险,联合疗法仍具有普适性。
该论文介绍了 PulseOx-FM,这是一个通过数百万个可穿戴脉搏血氧图片段训练而成的自监督基础模型,其在预测包括未来高血压和次日血糖状态在内的多种心血管代谢及神经精神健康风险方面优于现有方法,从而建立了一种强大的非侵入性全球健康风险分层工具。
本文介绍了异构门控图Transformer(HGGT),这是一种利用生物医学实体间复杂的多种类型关系来显著提高跨多个阶段临床试验成功率预测的深度学习模型。
这项初步研究证明了利用生成式视频人工智能创建具有分级卫生恶化程度的标准精神科患者模拟方案的技术可行性,同时强调尽管外观调节是可以实现的,但精细动作伪影使得在临床部署前必须进行专家人工监督。
本研究表明,虽然使用结构化电子健康记录数据的梯度提升模型可以预测多发性硬化症患者抑郁和焦虑的进展,但其有限的预测能力(R² ≤ 0.28)受基线评分反映的向均值回归所主导,这表明若要实现有意义的个体层面预测,需要除结构化临床变量之外更丰富的资料来源。
本研究采用人工智能驱动的多模态中介框架对“我们所有人”(All of Us)研究项目的数据进行分析,揭示了心理社会脆弱性是连接社会经济劣势与心血管代谢共病性的关键潜在中介变量。
本文引入了人口统计学校准差距评分(Demographic Calibration Gap Score, DCGS),旨在证明标准的全局校准方法无法解决乳腺癌风险模型在不同种族和性别亚组中存在的系统性预测误差,特别是在分布偏移的情况下,从而强调了需要使用针对特定亚组的校准指标以防止产生偏见的临床决策。
一项针对 766 名心理健康专业人士的全球调查显示,超过一半的人已经在将生成式人工智能工具用于治疗方案制定和行政任务,然而,尽管缺乏机构指导、正式培训和监管框架,这种广泛的应用现象依然存在。
本文表明,视觉语言模型表现出与人类相似的注意盲视,但也展现出一种独特的虚构失败模式,因此需要通过带有匹配对照基线的信号检测分析,来准确评估其视觉感知能力。