使用多视角自适应加权图卷积网络预测非小细胞肺癌的免疫治疗效果

非小细胞肺癌的免疫疗法疗效预测:多视角自适应加权图卷积网络研究报告 背景介绍 肺癌是一种具有极高发病率和较差预后效果的恶性肿瘤,长期以来其致命率居高不下。在所有的肺癌患者中,非小细胞肺癌(Non-Small Cell Lung Cancer,简称NSCLC)约占85%。作为一种新兴的治疗手段,肿瘤免疫疗法为癌症患者提供了新的治疗思路。然而,免疫疗法费用高昂,且仅有约20%到50%的患者能够通过免疫疗法获得满意的疗效。此外,在治疗过程中,免疫性肺炎和肝炎等副作用可能发生。因此,在患者接受免疫疗法治疗前预测其疗效具有重要意义。 近年来,以机器学习为基础的放射组学在预测NSCLC免疫疗法的疗效方面表现出潜力。放射组学特征已经被证明为有效预测免疫疗法疗效的代理标志物。然而,大多数研究仅考虑了个体患者...

用于膳食营养和人类健康问答的综合知识图谱

背景与研究动机 众所周知,食物营养与人类健康密切相关。科学研究表明,膳食营养不当与200多种疾病有联系,尤其在考虑肠道微生物代谢的情况下,食物营养成分与疾病之间的复杂交互作用更是难以系统化和实际应用。正因为如此,开发一个整合全面知识并提供实用应用的框架变得十分迫切,以支持获取饮食相关的查询。 研究来源 本文是一项由Chengcheng Fu、Xueli Pan、Jieyu Wu、Junkai Cai、Zhisheng Huang、Frank Van Harmelen、Weizhong Zhao、Xingpeng Jiang和Tingting He共同撰写的研究。这项研究的参与者来自湖北省人工智能与智能学习重点实验室、华中师范大学计算机科学学院以及Vrije Universiteit Amst...

CIGNN: 基于因果关系和图神经网络的无袖带连续血压估计框架

CIGNN: 基于因果关系和图神经网络的无袖带连续血压估计框架 背景介绍 根据世界卫生组织(WHO)的数据,全球约有11.3亿人受到高血压的影响,预计到2025年这一数字将增加到15亿。高血压是心血管疾病的一个重要风险因素,这包括心脏病和中风,这些都是全球主要的死亡原因。高血压的普及进一步增加了痴呆和残疾的负担,因此,预防和管理高血压对于改善全球健康结果至关重要。 连续血压(BP)测量能够为高血压的诊断和预防提供丰富的信息。通过连续监测血压,我们可以更全面地了解患者的血压模式和趋势,这可以指示是否需要治疗或调整当前的治疗方案。此外,连续血压监测相比传统间歇性血压测量有更多优势,因为血压可能会受到诸如压力、体力活动和药物依从性等因素的影响。无袖带连续血压测量利用可穿戴生理传感器的优势,能够实现...

通过时间知识图谱和医学本体预测未来疾病

预测未来疾病:时间知识图谱和医学本体的融合 电子健康记录(Electronic Health Records,EHRs)是现代医疗机构不可或缺的工具。它们记录了患者的详细健康历史,包含人口统计数据、药物、实验室结果和治疗计划。这些数据不仅可以改善医疗服务之间的衔接和协调,还能帮助医疗提供者发现健康趋势并做出数据驱动的决策,从而提高患者的整体护理质量。然而,EHRs中存储的大部分数据是非结构化的,特别是由临床医生撰写的描述患者健康状况的自由文本数据,这给信息提取和有效利用带来了巨大的挑战。 为了应对这一挑战,许多研究尝试通过自然语言处理(Natural Language Processing,NLP)技术从非结构化数据中提取相关信息并将其链接到医学本体。最近的研究中,知识图谱(Knowledg...

使用异构图卷积网络进行电子健康记录文本分类的增强混合方法

使用异构图卷积网络进行电子健康记录文本分类的增强混合方法

EHR-HGCN:一种用于电子健康记录文本分类的新型混合异构图卷积网络方法 学术背景介绍 随着自然语言处理(NLP)的迅速发展,文本分类已经成为该领域一个重要的研究方向。文本分类不仅帮助我们理解文献背后的知识,还在生物医学文本,包括电子健康记录(Electronic Health Records, EHR)等领域有着广泛的应用。现有的研究主要集中在基于双向变压器的编码表示方法(如BERT)和卷积神经网络(CNN)的深度学习方法。然而,这些方法在处理医学长文本时往往面临输入长度的限制和高计算资源的需求。与此同时,针对文本分类的代表性CNN方法往往只提取了附近上下文特征,忽略了文本中更长范围的关系。 为了解决这些问题,近年来异构图卷积网络(Heterogeneous Graph Convolut...

基于知识图谱推荐的生物医学关系提取

医学关系抽取与知识图谱推荐结合的研究报告 背景介绍 在医学领域,文献的爆炸式增长使得研究人员难以及时跟踪各自领域内的最新进展。从自然语言处理(NLP)领域来看,不断发展的自动化工具能够帮助识别和提取非结构化文本中的相关信息,这一任务被称为关系抽取(Relation Extraction,RE)。RE的主要目标是从文本中提取和分类医学实体之间的关系,增强我们对生物医学过程的理解。 目前,大多数尖端的医学RE系统使用深度学习方法,主要针对同类型实体间的关系,如基因和药物等实体。然而,这些系统大多仅限于从文本直接提取的信息,忽略了专门领域的知识库,如本体论(Ontology),这些本体论通常结构化为有向无环图(Directed Acyclic Graphs,DAG)。 另一方面,基于知识图谱(Kn...