医学与健康

461 条内容

发表出处待核验 2026年9月27日
这篇博士论文依托欧盟I-CARE4OLD项目，第一部分梳理了非药物干预（NPI）的定义与使用现状——系统综述显示文献中NPI定义高度异质且多为负面表述，六国居家照护数据显示部分有证据支持的干预（物理治疗、作业治疗、心理社会干预、社会参与）使用不足而身体约束使用相对频繁；第二部分利用荷兰与加拿大安大略省的纵向真实世界数据，采用倾向性方法、广义估计方程以及结合因果机器学习的靶试验仿真，发现中度和更高水平的身体活动与居家照护老人功能状态、健康相关结局和死亡率的改善相关。
这篇博士论文依托欧盟I-CARE4OLD项目，第一部分梳理了非药物干预（NPI）的定义与使用现状——系统综述显示文献中NPI定义高度异质且多为负面表述，六国居家照护数据显示部分有证据支持的干预（物理治疗、作业治疗、心理社会干预、社会参与）使用不足而身体约束使用相对频繁；第二部分利用荷兰与加拿大安大略省的纵向真实世界数据，采用倾向性方法、广义估计方程以及结合因果机器学习的靶试验仿真，发现中度和更高水平的身体活动与居家照护老人功能状态、健康相关结局和死亡率的改善相关。
博士论文整合六国居家照护数据：中高强度身体活动与居家照护老人功能状态、健康结局和死亡风险改善相关
这篇博士论文依托欧盟I-CARE4OLD项目，第一部分梳理了非药物干预（NPI）的定义与使用现状——系统综述显示文献中NPI定义高度异质且多为负面表述，六国居家照护数据显示部分有证据支持的干预（物理治疗、作业治疗、心理社会干预、社会参与）使用不足而身体约束使用相对频繁；第二部分利用荷兰与加拿大安大略省的纵向真实世界数据，采用倾向性方法、广义估计方程以及结合因果机器学习的靶试验仿真，发现中度和更高水平的身体活动与居家照护老人功能状态、健康相关结局和死亡率的改善相关。
这篇博士论文依托欧盟I-CARE4OLD项目，第一部分梳理了非药物干预（NPI）的定义与使用现状——系统综述显示文献中NPI定义高度异质且多为负面表述，六国居家照护数据显示部分有证据支持的干预（物理治疗、作业治疗、心理社会干预、社会参与）使用不足而身体约束使用相对频繁；第二部分利用荷兰与加拿大安大略省的纵向真实世界数据，采用倾向性方法、广义估计方程以及结合因果机器学习的靶试验仿真，发现中度和更高水平的身体活动与居家照护老人功能状态、健康相关结局和死亡率的改善相关。
发表出处待核验 2026年9月27日
这篇博士论文围绕如何把因果机器学习用于真实临床实践，沿三条线索展开：在临床情境下的二值治疗效应估计中识别出八个直接影响治疗效应估计的关键决策点并提出结构化设计框架；针对反事实预测难以验证的问题，提出一种把平均模型预测锚定到可用随机或真实世界临床试验数据经验验证的组级量的新方法，并展示信息瓶颈正则化可降低反事实误差界、提升治疗效应估计表现；在连续因果机器学习方面以物理治疗剂量对功能独立性的影响为具体医疗用例开展研究；在元强化学习方面提出一种利用多数据集学习更稳健、更可泛化策略的新算法。
这篇博士论文围绕如何把因果机器学习用于真实临床实践，沿三条线索展开：在临床情境下的二值治疗效应估计中识别出八个直接影响治疗效应估计的关键决策点并提出结构化设计框架；针对反事实预测难以验证的问题，提出一种把平均模型预测锚定到可用随机或真实世界临床试验数据经验验证的组级量的新方法，并展示信息瓶颈正则化可降低反事实误差界、提升治疗效应估计表现；在连续因果机器学习方面以物理治疗剂量对功能独立性的影响为具体医疗用例开展研究；在元强化学习方面提出一种利用多数据集学习更稳健、更可泛化策略的新算法。
这篇博士论文提出把因果机器学习落地临床的三项方法创新与一个设计框架，并用物理治疗剂量案例检验连续治疗模型
这篇博士论文围绕如何把因果机器学习用于真实临床实践，沿三条线索展开：在临床情境下的二值治疗效应估计中识别出八个直接影响治疗效应估计的关键决策点并提出结构化设计框架；针对反事实预测难以验证的问题，提出一种把平均模型预测锚定到可用随机或真实世界临床试验数据经验验证的组级量的新方法，并展示信息瓶颈正则化可降低反事实误差界、提升治疗效应估计表现；在连续因果机器学习方面以物理治疗剂量对功能独立性的影响为具体医疗用例开展研究；在元强化学习方面提出一种利用多数据集学习更稳健、更可泛化策略的新算法。
这篇博士论文围绕如何把因果机器学习用于真实临床实践，沿三条线索展开：在临床情境下的二值治疗效应估计中识别出八个直接影响治疗效应估计的关键决策点并提出结构化设计框架；针对反事实预测难以验证的问题，提出一种把平均模型预测锚定到可用随机或真实世界临床试验数据经验验证的组级量的新方法，并展示信息瓶颈正则化可降低反事实误差界、提升治疗效应估计表现；在连续因果机器学习方面以物理治疗剂量对功能独立性的影响为具体医疗用例开展研究；在元强化学习方面提出一种利用多数据集学习更稳健、更可泛化策略的新算法。
arXiv 2026年9月27日
OncoVision 是一个特权信息训练框架：训练时同时使用乳腺 X 线摄影图像与临床特征，推理时仅依赖乳腺摄影图像，采用基于注意力的编码器-解码器骨干，联合分割四个感兴趣区域（肿块、钙化、腋窝所见、乳腺组织）并预测十项结构化临床特征（含 BI-RADS 分类），其分割准确率超过 nnU-Net 基线；作者提出 Independent 与 Dependent 两种晚期融合策略，在训练中整合影像、影像组学与临床信息，并从预测掩膜提取形状、强度、纹理等影像组学描述符以补充 CNN 表示；在六位委员会认证放射科医师参与的回顾性多阅片者研究中，配对阅片辅助评估显示该工具与初级和资深放射科医师更高的诊断信心相关，阅片时间最多减少
OncoVision 是一个特权信息训练框架：训练时同时使用乳腺 X 线摄影图像与临床特征，推理时仅依赖乳腺摄影图像，采用基于注意力的编码器-解码器骨干，联合分割四个感兴趣区域（肿块、钙化、腋窝所见、乳腺组织）并预测十项结构化临床特征（含 BI-RADS 分类），其分割准确率超过 nnU-Net 基线；作者提出 Independent 与 Dependent 两种晚期融合策略，在训练中整合影像、影像组学与临床信息，并从预测掩膜提取形状、强度、纹理等影像组学描述符以补充 CNN 表示；在六位委员会认证放射科医师参与的回顾性多阅片者研究中，配对阅片辅助评估显示该工具与初级和资深放射科医师更高的诊断信心相关，阅片时间最多减少
OncoVision 用注意力多模态训练框架，在六位放射科医师配对评估中把阅片时间最多缩短 61%，并提升诊断信心
OncoVision 是一个特权信息训练框架：训练时同时使用乳腺 X 线摄影图像与临床特征，推理时仅依赖乳腺摄影图像，采用基于注意力的编码器-解码器骨干，联合分割四个感兴趣区域（肿块、钙化、腋窝所见、乳腺组织）并预测十项结构化临床特征（含 BI-RADS 分类），其分割准确率超过 nnU-Net 基线；作者提出 Independent 与 Dependent 两种晚期融合策略，在训练中整合影像、影像组学与临床信息，并从预测掩膜提取形状、强度、纹理等影像组学描述符以补充 CNN 表示；在六位委员会认证放射科医师参与的回顾性多阅片者研究中，配对阅片辅助评估显示该工具与初级和资深放射科医师更高的诊断信心相关，阅片时间最多减少
OncoVision 是一个特权信息训练框架：训练时同时使用乳腺 X 线摄影图像与临床特征，推理时仅依赖乳腺摄影图像，采用基于注意力的编码器-解码器骨干，联合分割四个感兴趣区域（肿块、钙化、腋窝所见、乳腺组织）并预测十项结构化临床特征（含 BI-RADS 分类），其分割准确率超过 nnU-Net 基线；作者提出 Independent 与 Dependent 两种晚期融合策略，在训练中整合影像、影像组学与临床信息，并从预测掩膜提取形状、强度、纹理等影像组学描述符以补充 CNN 表示；在六位委员会认证放射科医师参与的回顾性多阅片者研究中，配对阅片辅助评估显示该工具与初级和资深放射科医师更高的诊断信心相关，阅片时间最多减少
arXiv 2026年9月27日
该文提出患者报告的疼痛定位之所以有时诊断决定性、有时几乎无信息，是因为它包含三种认识论上不同的失败——解剖复用造成的不可识别反问题、中枢敏化或伤害可塑性疼痛带来的生成模型改变、以及推测为系统且因人而异的牵涉与不典型位移——三者对应同一个贝叶斯推断问题在似然、模型类别与群组条件先验三个节点上的失效，报告本身构成第四个节点；作者据此指出已发表的高效用准确度区间依赖被高估的特异度，因此梯度真实存在但比通常描绘的更平缓，并把“检测改善但治疗 uptake 滞后时结局未改善”归因于照护路径而非感知。
该文提出患者报告的疼痛定位之所以有时诊断决定性、有时几乎无信息，是因为它包含三种认识论上不同的失败——解剖复用造成的不可识别反问题、中枢敏化或伤害可塑性疼痛带来的生成模型改变、以及推测为系统且因人而异的牵涉与不典型位移——三者对应同一个贝叶斯推断问题在似然、模型类别与群组条件先验三个节点上的失效，报告本身构成第四个节点；作者据此指出已发表的高效用准确度区间依赖被高估的特异度，因此梯度真实存在但比通常描绘的更平缓，并把“检测改善但治疗 uptake 滞后时结局未改善”归因于照护路径而非感知。
疼痛定位的诊断价值被拆成三种失败：解剖复用、中枢放大与个体化偏移，而非单一梯度
该文提出患者报告的疼痛定位之所以有时诊断决定性、有时几乎无信息，是因为它包含三种认识论上不同的失败——解剖复用造成的不可识别反问题、中枢敏化或伤害可塑性疼痛带来的生成模型改变、以及推测为系统且因人而异的牵涉与不典型位移——三者对应同一个贝叶斯推断问题在似然、模型类别与群组条件先验三个节点上的失效，报告本身构成第四个节点；作者据此指出已发表的高效用准确度区间依赖被高估的特异度，因此梯度真实存在但比通常描绘的更平缓，并把“检测改善但治疗 uptake 滞后时结局未改善”归因于照护路径而非感知。
该文提出患者报告的疼痛定位之所以有时诊断决定性、有时几乎无信息，是因为它包含三种认识论上不同的失败——解剖复用造成的不可识别反问题、中枢敏化或伤害可塑性疼痛带来的生成模型改变、以及推测为系统且因人而异的牵涉与不典型位移——三者对应同一个贝叶斯推断问题在似然、模型类别与群组条件先验三个节点上的失效，报告本身构成第四个节点；作者据此指出已发表的高效用准确度区间依赖被高估的特异度，因此梯度真实存在但比通常描绘的更平缓，并把“检测改善但治疗 uptake 滞后时结局未改善”归因于照护路径而非感知。
arXiv 2026年9月26日
该工作提出M²PFN，一个端到端框架，通过可微推理把任务梯度回传到3D-MRI与表格编码器、用解耦与对比目标将两种模态对齐到与上下文学习先验匹配的共享子空间，并以可学习门控捷径并入冻结的纯表格预测；在ADNI（n=2240，CN/MCI/AD三分类）上达到65.55%宏F1与82.21%宏AUC，超过所比较的单模态与多模态基线，仅替换预测头即可回归基线MMSE（1250人子队列，测试MAE 1.743），并在OASIS-3与SCAN两个外部队列上无需重训取得最佳AUC与最低MMSE MAE，且在认知量表更换时仍可迁移。
该工作提出M²PFN，一个端到端框架，通过可微推理把任务梯度回传到3D-MRI与表格编码器、用解耦与对比目标将两种模态对齐到与上下文学习先验匹配的共享子空间，并以可学习门控捷径并入冻结的纯表格预测；在ADNI（n=2240，CN/MCI/AD三分类）上达到65.55%宏F1与82.21%宏AUC，超过所比较的单模态与多模态基线，仅替换预测头即可回归基线MMSE（1250人子队列，测试MAE 1.743），并在OASIS-3与SCAN两个外部队列上无需重训取得最佳AUC与最低MMSE MAE，且在认知量表更换时仍可迁移。
M²PFN把冻结的TabPFN改造成多模态阿尔茨海默病预测器，在ADNI上取得65.55%宏F1并在两个外部队列零重训迁移
该工作提出M²PFN，一个端到端框架，通过可微推理把任务梯度回传到3D-MRI与表格编码器、用解耦与对比目标将两种模态对齐到与上下文学习先验匹配的共享子空间，并以可学习门控捷径并入冻结的纯表格预测；在ADNI（n=2240，CN/MCI/AD三分类）上达到65.55%宏F1与82.21%宏AUC，超过所比较的单模态与多模态基线，仅替换预测头即可回归基线MMSE（1250人子队列，测试MAE 1.743），并在OASIS-3与SCAN两个外部队列上无需重训取得最佳AUC与最低MMSE MAE，且在认知量表更换时仍可迁移。
该工作提出M²PFN，一个端到端框架，通过可微推理把任务梯度回传到3D-MRI与表格编码器、用解耦与对比目标将两种模态对齐到与上下文学习先验匹配的共享子空间，并以可学习门控捷径并入冻结的纯表格预测；在ADNI（n=2240，CN/MCI/AD三分类）上达到65.55%宏F1与82.21%宏AUC，超过所比较的单模态与多模态基线，仅替换预测头即可回归基线MMSE（1250人子队列，测试MAE 1.743），并在OASIS-3与SCAN两个外部队列上无需重训取得最佳AUC与最低MMSE MAE，且在认知量表更换时仍可迁移。
arXiv 2026年9月26日
该工作对三种微调Transformer编码器（BanglaBERT、mBERT、XLM-RoBERTa）与GPT-4o mini的零样本和少样本提示配置在孟加拉语医学命名实体识别上进行大规模基准评测，覆盖全部3,179条测试样本，其中微调XLM-RoBERTa取得F1 0.5959，超过此前最佳0.5848，而语言专用的BanglaBERT仅得0.4937，且微调模型比最优提示配置高出3.76倍。
该工作对三种微调Transformer编码器（BanglaBERT、mBERT、XLM-RoBERTa）与GPT-4o mini的零样本和少样本提示配置在孟加拉语医学命名实体识别上进行大规模基准评测，覆盖全部3,179条测试样本，其中微调XLM-RoBERTa取得F1 0.5959，超过此前最佳0.5848，而语言专用的BanglaBERT仅得0.4937，且微调模型比最优提示配置高出3.76倍。
孟加拉语医学NER基准：微调XLM-RoBERTa以F1 0.5959刷新纪录，语言专用BanglaBERT仅0.4937
该工作对三种微调Transformer编码器（BanglaBERT、mBERT、XLM-RoBERTa）与GPT-4o mini的零样本和少样本提示配置在孟加拉语医学命名实体识别上进行大规模基准评测，覆盖全部3,179条测试样本，其中微调XLM-RoBERTa取得F1 0.5959，超过此前最佳0.5848，而语言专用的BanglaBERT仅得0.4937，且微调模型比最优提示配置高出3.76倍。
该工作对三种微调Transformer编码器（BanglaBERT、mBERT、XLM-RoBERTa）与GPT-4o mini的零样本和少样本提示配置在孟加拉语医学命名实体识别上进行大规模基准评测，覆盖全部3,179条测试样本，其中微调XLM-RoBERTa取得F1 0.5959，超过此前最佳0.5848，而语言专用的BanglaBERT仅得0.4937，且微调模型比最优提示配置高出3.76倍。
arXiv 2026年9月26日
该研究提出一种名为“四度学习”（Fourth Degree Learning）的强化学习方法，受分类算法中四个评价指标的启发，让算法自动学习选择合适的分类器来预测原发性胆汁性肝硬化，并报告所用分类算法的准确率从63%提升到98%。
该研究提出一种名为“四度学习”（Fourth Degree Learning）的强化学习方法，受分类算法中四个评价指标的启发，让算法自动学习选择合适的分类器来预测原发性胆汁性肝硬化，并报告所用分类算法的准确率从63%提升到98%。
强化学习自动挑选分类器，将原发性胆汁性肝硬化预测准确率从63%提升到98%
该研究提出一种名为“四度学习”（Fourth Degree Learning）的强化学习方法，受分类算法中四个评价指标的启发，让算法自动学习选择合适的分类器来预测原发性胆汁性肝硬化，并报告所用分类算法的准确率从63%提升到98%。
该研究提出一种名为“四度学习”（Fourth Degree Learning）的强化学习方法，受分类算法中四个评价指标的启发，让算法自动学习选择合适的分类器来预测原发性胆汁性肝硬化，并报告所用分类算法的准确率从63%提升到98%。
arXiv 2026年9月26日
该工作针对跨模态医学图像分割中的 MRI-CT 迁移，在训练仅见源模态、测试用未标注目标模态的仅源域泛化设定下提出 LowBridge：先训练生成模型从边缘等低层特征重建源图像，再在生成图像上单独训练分割模型，测试时把目标图像的边缘特征送入生成模型得到源风格的目标域图像再分割，在多个公开数据集上取得优于十种已有方法的表现，消融实验显示其兼容不同生成与分割模型。
该工作针对跨模态医学图像分割中的 MRI-CT 迁移，在训练仅见源模态、测试用未标注目标模态的仅源域泛化设定下提出 LowBridge：先训练生成模型从边缘等低层特征重建源图像，再在生成图像上单独训练分割模型，测试时把目标图像的边缘特征送入生成模型得到源风格的目标域图像再分割，在多个公开数据集上取得优于十种已有方法的表现，消融实验显示其兼容不同生成与分割模型。
LowBridge 用边缘等低层特征把 MRI 源模态知识迁移到 CT 目标模态，在仅源域泛化设定下超越十种已有方法
该工作针对跨模态医学图像分割中的 MRI-CT 迁移，在训练仅见源模态、测试用未标注目标模态的仅源域泛化设定下提出 LowBridge：先训练生成模型从边缘等低层特征重建源图像，再在生成图像上单独训练分割模型，测试时把目标图像的边缘特征送入生成模型得到源风格的目标域图像再分割，在多个公开数据集上取得优于十种已有方法的表现，消融实验显示其兼容不同生成与分割模型。
该工作针对跨模态医学图像分割中的 MRI-CT 迁移，在训练仅见源模态、测试用未标注目标模态的仅源域泛化设定下提出 LowBridge：先训练生成模型从边缘等低层特征重建源图像，再在生成图像上单独训练分割模型，测试时把目标图像的边缘特征送入生成模型得到源风格的目标域图像再分割，在多个公开数据集上取得优于十种已有方法的表现，消融实验显示其兼容不同生成与分割模型。
arXiv 2026年9月26日
该研究提出一种纯软件方法，仅用从不同角度拍摄的十张二维口内图像重建三维口腔模型，无需专用硬件；模型在公开Teeth3DS数据集（950个上颌样本）上训练，以MobileNetV2作为图像编码器并结合多头注意力进行多视角特征融合，在距离阈值0.035的最近邻匹配下达到77.49%的准确率，但预测顶点倾向于聚集在真值的高密度区域，导致重建模型点分布不均。
该研究提出一种纯软件方法，仅用从不同角度拍摄的十张二维口内图像重建三维口腔模型，无需专用硬件；模型在公开Teeth3DS数据集（950个上颌样本）上训练，以MobileNetV2作为图像编码器并结合多头注意力进行多视角特征融合，在距离阈值0.035的最近邻匹配下达到77.49%的准确率，但预测顶点倾向于聚集在真值的高密度区域，导致重建模型点分布不均。
仅用十张二维口内照片重建三维口腔模型，在Teeth3DS上取得77.49%最近邻匹配准确率
该研究提出一种纯软件方法，仅用从不同角度拍摄的十张二维口内图像重建三维口腔模型，无需专用硬件；模型在公开Teeth3DS数据集（950个上颌样本）上训练，以MobileNetV2作为图像编码器并结合多头注意力进行多视角特征融合，在距离阈值0.035的最近邻匹配下达到77.49%的准确率，但预测顶点倾向于聚集在真值的高密度区域，导致重建模型点分布不均。
该研究提出一种纯软件方法，仅用从不同角度拍摄的十张二维口内图像重建三维口腔模型，无需专用硬件；模型在公开Teeth3DS数据集（950个上颌样本）上训练，以MobileNetV2作为图像编码器并结合多头注意力进行多视角特征融合，在距离阈值0.035的最近邻匹配下达到77.49%的准确率，但预测顶点倾向于聚集在真值的高密度区域，导致重建模型点分布不均。
Arabian Journal of Chemistry 2026年9月26日
这篇综述系统汇总了吲哚类小分子作为抗结核候选物、靶向分枝菌酸生物合成通路（MmpL3、InhA、KasA/KasB）的设计、合成与生物学评价进展，逐系列列出最优化合物的MIC值（如MmpL3方向的化合物20-22为0.0195 µg/mL、化合物36a为0.024 µM、化合物82的MIC50为0.015 µM；InhA方向的化合物122a为0.39 µM、化合物143f为3.99 µM）与分子对接结果，并指出许多吲哚系列尚缺乏纯化酶IC50/Ki等直接生化抑制数据和耐药突变、靶点过表达等遗传学验证。
这篇综述系统汇总了吲哚类小分子作为抗结核候选物、靶向分枝菌酸生物合成通路（MmpL3、InhA、KasA/KasB）的设计、合成与生物学评价进展，逐系列列出最优化合物的MIC值（如MmpL3方向的化合物20-22为0.0195 µg/mL、化合物36a为0.024 µM、化合物82的MIC50为0.015 µM；InhA方向的化合物122a为0.39 µM、化合物143f为3.99 µM）与分子对接结果，并指出许多吲哚系列尚缺乏纯化酶IC50/Ki等直接生化抑制数据和耐药突变、靶点过表达等遗传学验证。
综述梳理吲哚类衍生物靶向分枝菌酸合成酶（MmpL3、InhA、KasA/B）的构效关系与合成路线，并指出多数系列尚缺酶学与遗传学靶点验证
这篇综述系统汇总了吲哚类小分子作为抗结核候选物、靶向分枝菌酸生物合成通路（MmpL3、InhA、KasA/KasB）的设计、合成与生物学评价进展，逐系列列出最优化合物的MIC值（如MmpL3方向的化合物20-22为0.0195 µg/mL、化合物36a为0.024 µM、化合物82的MIC50为0.015 µM；InhA方向的化合物122a为0.39 µM、化合物143f为3.99 µM）与分子对接结果，并指出许多吲哚系列尚缺乏纯化酶IC50/Ki等直接生化抑制数据和耐药突变、靶点过表达等遗传学验证。
这篇综述系统汇总了吲哚类小分子作为抗结核候选物、靶向分枝菌酸生物合成通路（MmpL3、InhA、KasA/KasB）的设计、合成与生物学评价进展，逐系列列出最优化合物的MIC值（如MmpL3方向的化合物20-22为0.0195 µg/mL、化合物36a为0.024 µM、化合物82的MIC50为0.015 µM；InhA方向的化合物122a为0.39 µM、化合物143f为3.99 µM）与分子对接结果，并指出许多吲哚系列尚缺乏纯化酶IC50/Ki等直接生化抑制数据和耐药突变、靶点过表达等遗传学验证。

第 11 页 · 当前显示 10 项