跳到主要内容
检索

Umeå University

5 篇关联报道

订阅更新
  1. medRxiv

    冠心病多基因风险不再只给一个总分:拆成八条生物通路,同一风险水平的人可按通路区分

    冠心病多基因风险不再只汇总成一个总分。此前多基因评分只能说明谁的风险高,无法说明风险来自哪些生物过程。研究把526个全基因组显著位点按其与78项冠心病相关表型的关联做潜在因子分解,得到胆固醇富集脂蛋白、富甘油三酯脂蛋白、脂蛋白(a)、代谢不健康正常体重、肥胖、内皮功能障碍、凝血和心脏重构八个成分,并在英国生物银行、SCAPIS和Mass General Brigham生物银行中构建各自的通路特异性多基因评分,这些评分与临床冠脉事件、亚临床动脉粥样硬化及不同的生物标志物和共病谱相关。

  2. arXiv

    Suan 直接在梯度层面构造偏好优化目标,在多种基线与基准上实现更强安全对齐且保持回答效用

    该工作提出 Suan,一种新的偏好优化算法,其优化目标直接在梯度层面构造,绕过了标准的变分推导,从而获得更可解释、更稳健的训练动态;在多样化的竞争性基线与基准上的广泛评估显示,Suan 在实现更优安全对齐的同时完整保留了回答效用。

  3. arXiv

    检索增强的解剖引导让文本生成CT在保真度、临床一致性与空间可控性上同时超过纯文本基线

    该工作提出一种检索增强的文本到CT生成方法:给定放射学报告,用预训练3D视觉语言编码器从参考语料中检索语义最相近的病例,把该病例的解剖标注作为结构代理,经ControlNet分支注入文本条件潜扩散模型;在CT-RATE数据集(27,514例训练、1,818例测试)上,检索增强生成在图像保真度(FID 3D 0.004)、临床一致性(CT-Net AUC 0.787)和空间可控性(Dice 0.772、HD95 3.072)上均优于纯文本基线,并首次为这类方法带来显式空间可控性。

  4. 用MLP与能量最小化学习非线性有限元解算子,在参数化泊松、高斯随机场与非线性弹性算例中给出小学习误差,并让牛顿法以网络预测为初值提速

    作者提出并评估一种无数据、物理信息驱动的解算子学习方法:先用有限元离散化,再用多层感知机(MLP)把问题数据参数(边界条件、系数、右端项等)映射为有限元解的自由度,损失函数取能量泛函的期望,并给出可并行、可按单元随机分批的训练算法;在参数化泊松问题、高斯随机场系数问题与非线性neo-Hookean弹性梁三个算例中,网络学习误差较小(如参数化问题全网格、4·512网络下能量相对误差均值2.0e-4、L2为0.0020、H1为0.0092),推理约1毫秒,随机场算例中计算两个量之兴趣比同自由度有限元更快,弹性算例中把网络输出作为牛顿法初值可在保持精度的同时缩短求解时间。

  5. arXiv

    从对齐到合成:面向文本到CT生成的对比式体数据视觉语言接地

    该工作提出一个面向生成的3D-CLIP编码器,用仅在文本层面构造的结构化难负样本(属性感知负样本AAN与语义感知负样本SAN)在体数据编码器小批量约束下增强对比学习,并用其条件化一个直接在3D潜空间运行的端到端潜扩散模型,在CT-RATE的18种病理上取得更低的FID、更高的病理分类AUC与精确率,以及更快的推理速度和更低的显存占用。

已读完全部报道