-
人机协同强化学习在个性化与适应性干预中应用于健康与医疗领域:一项系统文献综述
摘要
背景
强化学习(RL)正作为一种有前景的技术出现,支持个性化和自适应的临床干预。这得益于其建模顺序决策和从纵向数据中学习的能力。RL 的部署在可解释性和集成到临床工作流程方面提出了挑战。这些担忧引发了对人在回路(human-in-the-loop)方法的兴趣,在这种方法
来源:International Journal of Medical Informatics
时间:2026-10-12
-
从涂层性能到缺陷风险:通过平板电脑上的机械表征手段对薄膜涂层进行研究,以阐明其易产生边缘崩解的情况
摘要薄膜包衣片剂的边缘碎裂是制药生产中持续存在的质量问题,尤其是在扩大生产规模时,这会由于分类和淘汰而产生显著的经济损失。尽管边缘碎裂通常归因于包衣过程中的应力(例如片剂间的碰撞或片剂与设备的接触),但包衣材料本身的机械性能对这一问题的影响尚未得到充分量化。本研究提出了三个假设,
来源:International Journal of Pharmaceutics
时间:2026-10-12
-
跨数据集脑电图情感识别的原生关系学习
## 摘要
脑电图(EEG)情绪识别在情感计算、脑-机接口和心理健康状态评估中被广泛应用。然而,当模型跨被试或跨数据集迁移时,其性能往往下降,因为EEG记录会随个体神经反应、诱发范式、采集设置和情绪标签定义而变化。公开的EEG情绪数据集在类别数量和标签获取方式上也不尽相同。
来源:Biomedical Signal Processing and Control
时间:2026-10-12
-
从自动检测到分割:一种面向乳腺超声的基于特征引导星形先验的标注高效SAM流程
**摘要**
乳腺超声图像中乳腺病变的精确分割对于病变的定量评估至关重要,但由于低对比度、噪声和伪影的存在,该任务仍然具有挑战性。任意事物分割模型(SAM)提供了一种灵活的基于提示的分割框架,但其在超声图像上的性能强烈依赖于提示质量,且可能需要进一步的边界精化。我们提出了一
来源:Biomedical Signal Processing and Control
时间:2026-10-12
-
基于层次化扩散引导的一致性学习框架用于膝盖前交叉韧带分类
摘要膝关节磁共振成像(MRI)中前十字韧带(ACL)的分类具有挑战性,原因在于诊断证据分散在多个切面上,且解剖学监督往往稀疏。我们提出了一种三阶段层次化扩散引导的一致性学习框架,集成了全局多类别估计、锚点与残差分离以及残差内细化。每个私用病例使用一到四个专家标注的ACL掩膜来
来源:Biomedical Signal Processing and Control
时间:2026-10-12
-
传统机器学习与自动化流程优化在肝细胞癌MRI影像组学中的比较评估
摘要背景肝细胞癌(HCC)是马来西亚常见的癌症,且往往在晚期才被发现。利用基于放射组学数据的自动化机器学习(AutoML)可以减少临床实践中对肉眼判读的依赖。目的本研究评估了传统支持向量机(SVM)结合方差分析(ANOVA)F检验和二进制粒子群优化(BPSO)的性能,并探讨了
来源:Biomedical Signal Processing and Control
时间:2026-10-12
-
TriDermNet-HAGO:一种结合层次化梯度协同优化的多分支Token-边缘-区域融合网络,用于卓越的皮肤病变分析
## 摘要
皮肤病变分割和分类是黑色素瘤早期检测和计算机辅助皮肤病学诊断中的两个关键问题。然而,皮肤镜图像存在许多困难,例如边界复杂、颜色多样、对比度低,以及毛发、气泡等各种伪影。为了解决这些困难,本文提出了一种名为TriDermNet的新型多分支网络架构,该架构通过特征专
来源:Biomedical Signal Processing and Control
时间:2026-10-12
-
使用大语言模型评估轻度认知障碍:一项比较分析
摘要本研究评估了经过微调的大语言模型是否能够支持基于转写中文语音对轻度认知障碍进行初步筛查。使用 TAUKADIAL/TalkBank 连续语音数据集的中文子集,我们在监督微调、LoRA、QLoRA、不同量化设置、自动语音识别系统和提示风格下对比了 Llama3、Gemma、
来源:Biomedical Signal Processing and Control
时间:2026-10-12
-
挑战复杂性丧失理论:来自慢性阻塞性肺疾病等长肌力输出的见解
摘要 根据"复杂性丧失"理论,衰老和疾病会导致生理输出的复杂性降低,从而限制系统的适应能力。然而,这一概念是否适用于慢性阻塞性肺病(COPD)患者的神经肌肉系统尚不明确。本研究旨在挑战复杂性丧失假说,通过评估COPD患者与健康个体在次最大等长收缩期间力量产生的规律性、稳定性以
来源:Biomedical Signal Processing and Control
时间:2026-10-12
-
通过迁移学习结合完全微调和改进的CNN架构实现高性能脑肿瘤分类
摘要由于人工解读MRI的局限性,准确且及时的脑肿瘤诊断仍然面临挑战。本研究引入了一种迁移学习框架,使用六种完全微调并改进的CNN架构:DenseNet169、InceptionV3、Xception、ResNet50、InceptionResNetV2和EfficientNe
来源:Biomedical Signal Processing and Control
时间:2026-10-12