Skip to main content
知识分享官

Search: #机器学习

在 来一点医学科学前沿🤯🤯🥹🥹 中搜索 订阅此频道的话题

  1. 心电图也能“看”出心血管风险？新AI模型突破传统限制，用更少数据更准预测疾病

    心电图是诊断心血管疾病的重要工具，但传统机器学习模型常因依赖特定标签而泛化能力有限。一项新研究开发出名为ECG-CLIP的AI模型，通过结合心电图数据与临床报告文本，实现了更高效的心血管疾病预测。该模型在超过1700万份心电图数据上预训练，并在独立验证集上表现出色，尤其在低标签数据场景下优势显著——仅用10个正样本时，对急性心肌梗死的检测AUC达0.910，远超传统模型。

    研究采用两阶段预训练框架，先通过掩码重建学习ECG特征，再结合对比学习整合文本信息。在检测急性心肌梗死、心脏淀粉样变等疾病及预测房颤、术后死亡率等任务中，ECG-CLIP均优于基线模型。当训练数据中正样本减少90%时，其性能仍能与最佳传统模型相当，展现了高数据效率。

    该模型为资源有限环境下的临床应用提供了新可能，但需更多实际场景验证。它证明AI可从ECG中提取临床意义表示，支持可扩展部署，有望提升心血管疾病早期识别与风险管理的效率。

    AI让心电图预测心血管风险更准了，甚至用少量数据也能精准判断，太厉害了！🤖


    来源：The Lancet. Digital health

    #心电图 #AI预测 #心血管疾病 #机器学习 #对比学习

    🧬 频道 ｜ 🧑‍🔬 群组 ｜ 📨 投稿

  2. AI模型或能提前预测早产儿失明风险，助力资源有限地区筛查

    早产儿视网膜病变（ROP）是导致儿童失明的主要原因之一，早期识别至关重要。传统筛查依赖眼科检查，但资源有限地区可能面临挑战。一项新研究尝试用机器学习模型，从临床数据中预测哪些早产儿可能发展为需要治疗的ROP。

    研究团队分析了印度奥里萨邦25个新生儿护理单位的23,404份匿名病历，采用两步法。第一步用人口学、围产期、实验室和NICU数据预测任何形式ROP的发生；第二步结合眼科检查的结构化信息（如分期、区域、plus状态）识别需要治疗的患者。随机森林和LightGBM模型分别用于两步，在独立验证队列中，该框架对治疗性ROP的敏感性达84.9%。

    该框架在资源受限的公共卫生环境中具有潜力，可作为指南为基础筛查路径的辅助风险分层工具。但模型输出不应替代专业眼科评估，需进一步优化阈值、校准和外部验证。研究强调，模型旨在提高优先级，而非减少必要检查。

    AI当起健康守门人，但别急着下结论哦~🤖


    来源：Pediatric research

    #早产儿视网膜病变 #机器学习 #医疗预测 #儿科研究

    🧬 频道 ｜ 🧑‍🔬 群组 ｜ 📨 投稿

  3. 头部CT扫描辐射剂量差异惊人，机器学习揭示低剂量方案

    很多人对CT检查的辐射剂量感到担忧，担心长期累积影响健康。但一项新研究揭示，不同医院和医生采用的头部CT扫描参数差异巨大，导致实际辐射剂量可能相差数倍。这就像同一疾病用不同剂量“炮轰”，效果和风险天差地别。

    研究人员分析了90万多次头部CT扫描数据，通过机器学习聚类分析，将扫描分为不同集群。结果显示，在成人螺旋扫描中，剂量调整后剂量长度乘积（DLP）从372 mGy·cm到998 mGy·cm不等，差异高达2.7倍。低剂量集群通常采用较低的管电流和电压，但不同扫描方式（如螺旋或轴扫）也能实现低辐射，说明优化参数是关键。

    该研究强调，标准化使用低剂量方案可显著降低患者辐射暴露。不过，研究样本主要来自特定时期和地区，且个体病情可能需要更高剂量，因此“最佳实践”需结合临床判断。这提醒我们，选择CT检查时，可关注医院是否采用优化后的低剂量方案。

    不同医院给脑袋做CT，剂量差异堪比给不同人量身高，有的需要1米尺，有的需要2米尺


    来源：European radiology

    #头部CT #辐射剂量 #机器学习 #医疗影像 #儿童与成人

    🧬 频道 ｜ 🧑‍🔬 群组 ｜ 📨 投稿

  4. 肺癌风险可提前5年预测？血浆蛋白标志物或成新指标

    肺癌是威胁健康的重大疾病，早期发现困难，预防成为关键。现在，科学家通过机器学习发现，一种血浆中的14种蛋白组合，能提前5年预测肺癌风险，为个性化预防提供了新思路。

    研究团队利用机器学习分析大量数据，识别出这14种蛋白的血浆标志物，并在8个队列中验证其有效性。该标志物在吸烟者和PM2.5暴露者中水平升高，与肺癌中一种称为KAC的细胞状态相关。实验显示，PM、致癌基因EGFR或IL-1β都能诱导这些蛋白，而IL-1β抑制剂能抑制PM驱动的KAC扩张和早期肿瘤形成。

    这一发现意味着，未来可能通过检测血浆标志物，提前识别高风险人群，并针对性干预，比如对标志物升高且吸烟或暴露于PM的人群，使用IL-1β抑制剂可能更有效，从而降低预防治疗的“需要治疗人数”（NNT），但研究仍需更多样本验证，且标志物是否适用于所有肺癌类型仍需进一步探索。

    早知道，戒烟和防霾还能加个“生物指标”buff！🚀


    来源：Cell

    #肺癌风险预测 #血浆蛋白标志物 #机器学习 #吸烟 #PM25 #IL1抑制剂

    🧬 频道 ｜ 🧑‍🔬 群组 ｜ 📨 投稿

  5. AI乒乓球机器人击败人类精英，物理交互新突破

    人类AI在围棋、象棋等计算机游戏中已超越人类，但现实中的快节奏、高精度运动如乒乓球，对实时交互要求极高，传统方法难以应对。

    近日，研究人员开发出首个能在真实比赛中与精英人类选手竞争的自主乒乓球机器人“Ace”，为物理AI在现实世界中的应用开辟了新路径。Ace的核心突破在于其高速感知与控制系统。它采用事件驱动视觉传感器，能以极低延迟捕捉高速球和对手动作，结合模型无关强化学习算法，快速调整策略。在正式比赛中，Ace不仅多次战胜职业选手，还能稳定回击高速、高旋转的球，展示了物理AI在复杂实时交互任务中的强大能力。

    这一成果标志着物理AI从虚拟世界向现实物理环境的重大跨越，可能推动机器人技术在体育训练、医疗康复等领域的应用。不过，研究仍处于早期阶段，机器人的灵活性、应变能力等仍有提升空间，未来需更多研究验证其普适性。

    看来以后打乒乓球得小心机器人了🤖


    来源：Nature

    #人工智能 #机器人 #乒乓球 #物理交互 #强化学习

    🧬 频道 ｜ 🧑‍🔬 群组 ｜ 📨 投稿

  6. 🤖 自监督学习实现机器人唇语同步

    人机交互中，嘴唇动作占据近一半视觉注意力。但现有机器人嘴唇往往动作僵硬、与语音不同步，产生恐怖谷效应。

    哥伦比亚大学 Hod Lipson 团队研发了一款仿生人形机器人面部，采用软硅胶嘴唇和 10 自由度机械结构，能模拟人类复杂的嘴部运动。研究团队使用变分自编码器（VAE）结合面部动作 transformer 的自监督学习 pipeline，让机器人直接从语音音频中自主推断唇部运动轨迹，无需预先定义动作规则。实验显示，该方法在视觉连贯性上优于简单振幅基线，且能泛化到训练时未见过的 10 种语言。

    这项突破为机器人社交交互、教育陪伴、康复训练等场景奠定了基础。逼真的唇语同步能显著提升人机交互体验，减少恐怖谷效应。不过，研究仍处于实验室阶段，离大规模商用还有距离。

    以后机器人讲 10 国语言都不用对口型了！👄

    来源：Science Robotics (IF: 27.5, Q1)

    #机器人 #人机交互 #深度学习 #仿生机器人

    🧬 频道 ｜ 🧑‍🔬 群组 ｜ 📨 投稿

  7. 机器学习指导电子显微镜成像，连接组学研究提速7倍

    连接组学通过纳米级分辨率解析神经回路，是理解大脑活动与行为的“金钥匙”，但高吞吐量电子显微镜的获取成本与操作难度，让许多研究者望而却步。当前，机器学习多用于成像后分析，而SmartEM创新地将机器学习融入实时成像过程——在单束扫描电子显微镜中实现“数据感知”成像。该技术通过先快速扫描所有像素，再对高信号区域进行慢速重扫，精准分配成像时间，在秀丽隐杆线虫、小鼠及人脑样本中，实现了高达7倍的成像加速，且重建精度与传统方法相当。

    核心机制在于，SmartEM的机器学习模型实时分析图像质量，动态调整扫描策略，让电子显微镜“聪明”地聚焦于关键区域，避免无效时间浪费。这一突破将显著降低连接组学研究的成本与周期，推动更广泛的大脑结构解析。

    意义方面，SmartEM为神经科学研究提供了高效工具，但当前仍聚焦于特定样本类型（如小型动物与人脑），未来需验证其在复杂组织或更大样本中的适用性，同时确保机器学习模型的泛化能力。

    电子显微镜也能“聪明”提速，7倍加速太香了🤖


    来源：Nature methods

    #机器学习 #电子显微镜 #连接组学 #神经科学 #成像技术

    🧬 频道 ｜ 🧑‍🔬 群组 ｜ 📨 投稿