- 综合排序
- 最热优先
- 最新优先
- 来自专栏大数据文摘
生物医学大数据：现状与展望
作为最活跃的科学研究领域之一，生物医学领域的大数据也备受关注。 1．生物医学大数据的来源：以下因素促进了生物医学领域大数据的出现。①生命的整体性和疾病的复杂性。 2．生物医学大数据的应用：生物医学大数据可应用于以下方面。①开展组学研究及不同组学间的关联研究。 3．生物医学相关的大数据计划：近年来国内外一些生物医学相关的大数据计划见表 2。 ? 生物医学大数据面临的主要问题：①如何实现生物医学数据的标准化和规范化。数据标准化是数据共享的前提，只有标准化的数据才能有效融合与整合，从而发挥大数据的价值。 ②如何打破数据孤岛，实现生物医学数据共享。 生物医学领域具有海量数据，如何共享、规范、管理和利用是关键。同时，生物医学大数据专业人才培养亟待解决。
3K50发布于 2018-05-23 - 来自专栏DrugOne
生物医学组学数据分类Deep Centroid
摘要 动机 使用生物医学组学数据对样本分类是生物医学研究中广泛采用的方法。然而，数据集通常具有挑战性的特征，包括高维度、有限的样本量以及不同来源的固有偏差。 强调了Deep Centroid在生物医学组学数据分类中的应用前景，特别是在精准医学领域。 图1 Deep Centroid模型结构的示意图。
10400编辑于 2025-02-18 - 来自专栏DrugOne
Nature Medicine | 多模态的生物医学AI
利用多模态数据的机会 图一：多模态生物医学AI的数据模态和机会 针对精准健康的个性化“组学” 随着测序在过去二十年中的显著进步，使用新的技术获得的细粒度生物数据的数量越来越多。 这些虚拟健康助手可以利用基因组测序、其他组学、血液生物标记物、代谢物、生物传感器和其他相关生物医学数据，促进行为改变、回答与健康相关的问题、对症状进行分类或在适当时与医疗保健提供者进行沟通。 Transformer的一个很有希望的方面是能够用未标记的数据学习有意义的表示，这在生物医学人工智能中是至关重要的，因为获得高质量标记所需的资源有限且昂贵。 在生物医学人工智能的设置中，数据可能并不容易获得。这一问题的一个可能的解决方案是利用一种模态的可用数据来帮助使用另一种模态进行学习，这是一种称为“共同学习”的多模态学习任务。 第一，生物医学数据集的多样性至关重要，因为它是确保推广到更广泛人群的第一步。第二，多模态人工智能的一个必要步骤是将数据集中可用的所有数据类型适当地联系起来，这是另一项挑战。
1.8K20编辑于 2022-11-28 - 来自专栏生物信息云
Cell：机器学习将如何改变生物医学
为诊断和治疗中的机器学习应用程序创建高质量的数据集将需要解决技术、法律和经济问题，这些问题常常导致未标准化的孤立的生物医学数据。为此，作者呼吁必须鼓励生物医学机构和个人参与数据标准化和共享。 同样，保险公司、制药行业和支持生物医学研究的机构必须愿意投资基础设施、数据获取和数据管理，以生成高质量的数据。还需要促进用于学习的数据集多样性的数据共享方法和激励措施。 然而，机器学习生物医学数据收集的最终目标是从患者群体中获得合适的代表性数据，以开发精确的机器学习模型，并将其推广到不同的人群。 生物医学机器学习应用需要严格的评估方法，特别是在需要持续学习的环境中。在作者看来，机器学习系统的性能最好是通过它在未来环境中的预测的准确性来衡量的。 为了确保对生物医学机器学习应用程序的健壮评估，需要多模态、可扩展和纵向的真实或模拟数据集。 虽然面临的挑战很艰难，但作者乐观地认为它们是可以克服的。
1.2K30发布于 2020-04-21 - 来自专栏云深之无迹
生物医学电子工程专业的职业规划
生物医学工程师是做什么的？ 也许我们应该换一种比较简单的提问方式：“生物医学工程师不做什么？”工厂、学术机构、医院和政府部门都有生物医学工程师的身影。 若干年后，他/她们可能已经积累了丰富的生物医学专业知识，也可将其视为生物医学工程师。 生物医学工程师与其他工程师相比，有哪些不同之处？ 有时，生物医学工程师负责解决生物医学问题，其身份可以是医师、业务经理、患者律师、理疗师、教授、研发科学家、教师和技术类作家。 生物医学工程师需要达到什么教育水平？ 很多生物医学工程师都会参加生物医学工程或相关工程领域的研究生培训项目。生物医学工程师如获得硕士或博士学位，在争取工厂、学术或政府部门的研发岗位时会更有优势。 此外，一小部分生物医学工程师甚至选择进入法律院校，专攻与生物医学发明相关的专利法和知识产权领域。对于我们未来的医师、牙医和专利律师来说，还有什么比生物医学工程更好的培训吗？
43930编辑于 2023-05-24 - 来自专栏DrugOne
人工智能时代的生物医学文献搜索
生物医学研究产生了大量信息，其中许多信息只能通过文献获取。因此，文献搜索对于医疗保健和生物医学至关重要。 在生物医学领域，文献是传播新发现和知识的主要手段。大量通过生物医学研究积累的信息只能通过文献访问。因此，文献搜索——检索科学文章以满足特定信息需求的过程——对所有生物医学研究和病人护理的方面都很重要。 然而，生物医学文献的指数级增长使得识别相关信息变得具有挑战性。PubMed，最广泛使用的生物医学文献搜索引擎，目前包含超过3600万篇文章，每年新增超过100万篇。 生物医学问答（QA）是一个活跃的研究领域，但用户友好的Web工具仍然稀缺。 尽管已提出许多自动构建生物医学知识图谱的系统，但它们的实用性仍待在未来的研究中确认。
47310编辑于 2024-03-18 - 来自专栏DrugOne
大型语言模型是通用生物医学模拟器
生物过程的计算模拟可以加速生物医学研究，但通常需要广泛的领域知识和手动调整。最近，如GPT-4等大型语言模型（LLMs）已经证明在生成人类语言方面取得了惊人的成功，可用于各种任务。 作者展示了模型在各种生物医学应用中具有良好的预测性能，无需显式的领域知识或手动调整。因此，LLMs为一类新的通用生物模拟器提供了可能。 本研究提供了一个基于GPT-4的基于文本的生物模拟器的概念验证，并在各种生物医学场景中对该系统进行了评估，并概述了将LLMs系统化地发展和应用为复杂生物过程的人工智能模拟器的路线图（图1a）。 作者开发了SimulateGPT方法，将GPT-4用作生物医学模拟器。这种方法强制执行逐步仿真，每个步骤由一个设计用于促进在多个生物组织层次上进行仿真的推理结构组成（图1c）。 为了系统评估SimulateGPT在以步骤方式仿真复杂的生物医学情景，向结果预测方向发展的能力，作者通过基于专家和数据的验证（图1d）将其性能与直接推理提示进行了比较。
31420编辑于 2023-09-09 - 来自专栏DrugOne
用高阶图卷积网络预测生物医学互作
1 摘要 近年来，图神经网络被提出用于有效地学习生物医学实体的表示，并在生物医学互作预测方面取得了令人满意的成果。这些方法只考虑近邻的信息，而不能从不同距离的邻居中学习到一般的混合特征。 在本文中，作者提出了一个高阶图卷积网络(HOGCN)来聚合高阶邻域的信息，用于生物医学交互预测。具体来说，HOGCN收集不同距离的邻居特征表示，以获得生物医学实体的信息表示。 当k=0时，HOGC层只考虑生物医学实体的特征，能够捕获各种生物实体之间的特征相似性，这相当于一个以生物医学实体的特征作为输入的全连接层网络。 这一分析表明，具有高阶邻域混合的HOGCN对生物医学相互作用做出了精确和校准的预测。 但是文中的方法依旧存在一些问题，比如它只考虑已知的相互作用来标记潜在的相互作用，生物医学信息还有其他来源，如生物医学实体的各种物理、化学和生物学特性等，可以提供关于相互作用的额外信息，未来可以将这些信息融入模型
86820发布于 2021-10-11 - 来自专栏DrugOne
Bioinformatics| 生物医学网络中的图嵌入方法
现在图数据结构已经被广泛用于表示生物医学中的实体（节点）及其关系（边）。分析生物医学的图结构对于像药物重定位，非编码RNA的功能检测以及协助临床的决策等重要的医学任务都有重要的意义。 （图1总结了将各种图嵌入方法应用于生物医学任务中的流程。） ? ，以方便研究各种生物医学任务的图形嵌入方法。 在这个部分，作者选择了基于MF的5种，基于随机游走的3种，基于神经网络的3种共11种具有代表性的图嵌入方法，回顾它们在3种流行的生物医学链接预测任务和2种生物医学节点分类任务上的应用情况。 4.1 链接预测 链接预测任务可以表述为：给定一组生物医学实体及其已知的相互作用，去预测实体之间潜在的相互作用。生物医学领域的传统方法主要是通过特征工程来开发生物学特征。
66430发布于 2021-02-01 - 来自专栏ATYUN订阅号
使用TensorFlow和DLTK进行生物医学图像分析的介绍
AiTechYun 编辑：yxy DLTK是用于医学图像的深度学习工具包，它扩展了TensorFlow， 以实现生物医学图像的深度学习。 这篇文章是对生物医学图像深度学习的简单介绍，我们将在这里展示当前工程问题中的一些问题和解决方案，并向你展示如何为你的问题的建模。 ? 什么是生物医学图像分析？为什么需要它？ 生物医学图像通常是体积图像（3D），并且有时具有额外的时间维度（4D）和/或多个通道（4-5D）（例如，多序列MR图像）。 生物医学图像的变化与自然图像（例如照片）的变化完全不同，因为临床方案旨在对图像的获得性进行分层（例如，患者仰卧时，头部没有倾斜等）。 数据标准化 与自然图像一样，我们可以对生物医学图像数据进行标准化，但方法可能略有不同。
3.4K40发布于 2018-07-27 - 来自专栏生信技能树
Hiplot 预印本发布：辅助生物医学数据可视化
截至目前，网站已提供至少 230+ 数据可视化分析工具，涉及基础数据统计、组学和其他常见的生物医学数据可视化功能。过去的一年时间中，该网站被访问超过 2 百万次，超过 2 万名用户进行注册。
39310编辑于 2022-07-26 - 来自专栏智药邦
Cell｜利用AI智能体增强生物医学发现能力
AI智能体在生物医学研究中的角色 生物学的复杂性要求我们能够灵活地将复杂问题分解为可操作的任务。 图1 利用AI智能体增强生物医学研究 大型语言模型与生物医学应用 经过聊天优化的LLM（如GPT-4）可以纳入反馈，使AI智能体能够通过相互对话和与人类对话进行合作。 这种系统应该能够提出生物医学假设，对其进行批判性评估，描述其不确定性，并以此为驱动力，以人类科学家可以信赖的方式获取并完善其科学知识库。 挑战与展望 尽管AI智能体在生物医学研究中具有巨大的潜力，但仍面临许多挑战。这些挑战包括稳健性和可靠性、评估协议、数据集生成、AI智能体的管理以及风险与保障措施。 展望未来，随着计算智能的发展，生物医学研究正在经历一个变革时代。通过构建能够进行反思性学习和推理的AI智能体系统，我们有望推动生物医学研究的进步，最终改善人类的健康和福祉。
37610编辑于 2024-11-29 - 来自专栏DrugOne
Survey | 生物医学文本挖掘最新进展
该综述总结了生物医学文献挖掘研究中存在的问题、方法和最新进展，并讨论了未来的研究方向。 ? 1 研究背景 随着生物医学研究迅速发展，产生了大量的生物医学文献。 图1 BLM的最新进展 2 生物医学命名实体识别与规范化 2.1 任务定义 从技术上讲，生物医学命名实体识别（BioNER）的目标是从文本中找到提到生物医学实体的界限。 生物医学实体命名规范化（BioNEN）是将获得的生物医学命名实体映射到受控词汇表中。 3 生物医学文献分类 3.1 任务定义 有两种典型的生物医学文章分类任务，相关主题识别和生物医学文献索引。相关主题识别确定生物医学出版物是否与给定主题相关。 生物医学文献索引将一组术语分配给每一篇特定的生物医学文章，以表示文章中提到的概念。
1.5K50发布于 2021-02-02 - 来自专栏企鹅号快讯
结合机器学习与生物医学技术，寻找Uber司机出行模式
譬如，在开发合作伙伴活动矩阵（Partner Activity Matrix，一种基于总体使用趋势的个性化司机体验的新工具）时，我们从基因组可视化的生物医学技术（基因组双聚类）中找到了灵感。
1.4K70发布于 2018-01-22 - 来自专栏DrugOne
. | 生物医学知识文献网站PubTator 3.0
PubTator 3.0是一款结合了最先进人工智能技术的生物医学文献搜索工具，它专注于蛋白质、遗传变异、疾病和化学物质等关键生物医学概念的语义及关联性搜索。 在这方面，作者介绍了PubTator 3.0，这是一个旨在支持生物医学文献中的语义和关系搜索的新网站。 其搜索功能允许用户探索六个关键生物医学实体的自动化注释：基因、疾病、化学物质、遗传变异、物种和细胞系。 专注于生物医学科学中感兴趣的关系和实体类型，使PubTator 3.0能够精确地检索信息，同时提供广泛的实用性。 PubTator 3.0提供了一整套功能和工具，使研究人员能够快速浏览不断扩大的生物医学文献，加速研究进程，并为科学发现解锁宝贵的洞见。
50310编辑于 2024-05-13 - 来自专栏DeepHub IMBA
BT - Unet:生物医学图像分割的自监督学习框架
使用有限的注释样本对 U-Net 模型进行微调，用于生物医学图像分割。
50020编辑于 2023-01-18 - 来自专栏Y-StarryDreamer
NLP在生物医学文献挖掘的应用：从原理到实践
NLP在生物医学文献挖掘中的创新应用1. 引言生物医学领域涉及庞大而不断增长的文献数据库，其中蕴含着宝贵的医学知识。 为了更好地利用这些信息，自然语言处理（NLP）技术逐渐成为生物医学文献挖掘的得力工具。 NLP在生物医学文献挖掘中的关键应用2.1 文献信息提取与知识图谱构建NLP技术可以用于从生物医学文献中提取信息并构建知识图谱。 NLP在生物医学文献挖掘的未来展望随着NLP技术的不断发展，其在生物医学文献挖掘中的应用将进一步拓展。 此外，随着多模态信息的整合和语义理解水平的提高，NLP将更好地应用于生物医学领域。5. 结语NLP技术在生物医学文献挖掘中的应用为医学研究和临床实践带来了许多创新。
92500编辑于 2023-11-29 《C++与生物医学的智能融合：医疗变革新引擎》
一、C++在生物医学人工智能应用中的优势C++作为一种高效、强大的编程语言，在开发生物医学人工智能应用方面具有独特的优势。其卓越的性能和对底层硬件的精准控制能力，使其能够快速处理海量的生物医学数据。 二、生物医学数据的特点与挑战生物医学数据具有高度的复杂性和多样性。从微观层面的基因序列、蛋白质结构，到宏观层面的医学影像、临床病历等，数据类型丰富多样且相互关联。 而且，生物医学数据的规模持续增长，对数据存储、传输和处理的速度与效率都提出了极高的要求。三、C++与生物医学知识融合的应用实例在疾病诊断方面，基于 C++开发的人工智能应用可以对医学影像进行智能分析。 利用 C++高效的计算能力，可以对大规模的生物医学数据进行多轮训练，不断优化模型参数，提高模型的预测准确性。 五、面临的困境与未来展望尽管 C++与生物医学的结合已经取得了一定的成果，但仍然面临诸多困境。生物医学知识的快速更新要求人工智能应用能够及时跟进和适应，这对开发和维护都带来了较大压力。
15200编辑于 2024-12-01- 来自专栏HyperAI超神经
医学AI又一突破，微软开源生物医学NLP基准：BLURB
By 超神经 内容概要：微软团队发布生物医学领域 NLP 基准，命名为 BLURB，已在 arxiv.org 中发布相关论文，并将其开源。 Natural Language Processing 生物医学特定领域的语言模型预训练》，介绍并开源了一个能够用于生物医学领域 NLP 基准，并命名为 BLURB。 团队表示 BLURB 的主要目标是：降低生物医学NLP的准入门槛，帮助加快该领域的进展，能对社会和人类产生积极影响。 生物医学 NLP ：必须使用域内文本 研究已经表明生物医学 NLP 可以在医学领域提高数据集的准确性。但是在跨学科的数据集中，准确性又会大大降低。 同时，为了鼓励对生物医学 NLP 的研究，研究人员创建了以 BLURB 基准为基准的排行榜，还开源了预训练模型。以求快速生物医学 NLP 能够早日投入使用。
89510发布于 2020-08-13 - 来自专栏数据派THU
【2022新书】深度学习生物医学应用：从医疗影像到药物发现
这本《深度学习生物医学》，从机器学习从业者和数据科学家寻求方法知识，以解决生物医学应用。 本书包括化学信息学和生物医学交互网络分析。在生命科学中使用数据驱动的方法，还需要仔细考虑相关的社会、伦理、法律和透明度挑战，这在本书的最后章节中有介绍。 https://www.worldscientific.com/worldscibooks/10.1142/q0322#t=aboutBook 这本书的组织遵循应用智能信息处理系统到生物医学问题的进展 第四章通过逐步介绍自然语言技术在生物医学领域的使用，扩展了理解人类语言的主题。这一章首先介绍了自然语言处理(NLP)领域的主要概念和方法。然后深入探讨NLP在生命科学中的应用。
43410编辑于 2022-09-07
腾讯云开发者
