系统生物学和系统尤其是神经生理学，最近已成为生物医学科学中许多关键应用的强大工具。然而，这样的模型通常基于需要临时计算策略并提出极高计算需求的多尺度（可能是多物理）策略的复杂组合。深度神经网络领域的最新发展证明了与传统模型相比，具有非线性，通用近似值的可能性，以估算具有高速度和准确性优势的高度非线性和复杂问题。合成数据验证后，我们使用所谓的物理约束神经网络（PINN）同时求解生物学上合理的Hodgkin-Huxley模型，并从可变和恒定电流刺激下从真实数据中推断出其参数和隐藏的时间巡回赛，显示出极低的刺激峰值和忠实信号重建的可变性。我们获得的参数范围也与先验知识兼容。我们证明可以向神经网络提供详细的生物学知识，从而使其能够在模拟和真实数据上拟合复杂的动态。
translated by 谷歌翻译
在医学中，精心策划的图像数据集经常采用离散标签来描述所谓的健康状况与病理状况的连续光谱，例如阿尔茨海默氏病连续体或图像在诊断中起关键点的其他领域。我们提出了一个基于条件变异自动编码器的图像分层的体系结构。我们的框架VAESIM利用连续的潜在空间来表示疾病的连续体并在训练过程中找到簇，然后可以将其用于图像/患者分层。该方法的核心学习一组原型向量，每个向量与群集关联。首先，我们将每个数据样本的软分配给群集。然后，我们根据样品嵌入和簇的原型向量之间的相似性度量重建样品。为了更新原型嵌入，我们使用批处理大小中实际原型和样品之间最相似表示的指数移动平均值。我们在MNIST手写数字数据集和名为Pneumoniamnist的医疗基准数据集上测试了我们的方法。我们证明，我们的方法在两个数据集中针对标准VAE的分类任务（性能提高了15％）的KNN准确性优于基准，并且还以完全监督的方式培训的分类模型同等。我们还展示了我们的模型如何优于无监督分层的当前，端到端模型。
translated by 谷歌翻译
与临床上建立的疾病类别相比，缺乏大型标记的医学成像数据集以及个体间的显着可变性，在精确医学范式中利用医学成像信息方面面临重大挑战个体预测和/或将患者分为较细粒的群体，这些群体可能遵循更多均匀的轨迹，从而赋予临床试验能力。为了有效地探索以无监督的方式探索医学图像中有效的自由度可变性，在这项工作中，我们提出了一个无监督的自动编码器框架，并增加了对比度损失，以鼓励潜在空间中的高可分离性。该模型在（医学）基准数据集上进行了验证。由于群集标签是根据集群分配分配给每个示例的，因此我们将性能与监督的转移学习基线进行比较。我们的方法达到了与监督体系结构相似的性能，表明潜在空间中的分离再现了专家医学观察者分配的标签。所提出的方法可能对患者分层有益，探索较大类或病理连续性的新细分，或者由于其在变化环境中的采样能力，因此医学图像处理中的数据增强。
translated by 谷歌翻译
由于其易于实施，多层感知器（MLP）在深度学习应用程序中变得无处不在。 MLP的基础图确实是多部分，即神经元的每个层仅连接到属于相邻层的神经元。在约束中，体内脑连接在单个突触的水平上表明，生物神经元网络的特征是无尺度度分布或指数截断的功率定律强度分布，这暗示了潜在的新型途径，用于开发进化衍生的神经元网络。在本文中，我们提出了“ 4ward”，这是一种方法和Python库，能够从任意复杂的定向无环形图中生成灵活有效的神经网络（NNS）。 4ward的灵感来自于从图形图纪律中绘制的分层算法以实现有效的向前传球，并在具有各种ERD \ H {O} S-R \'enyi图的计算实验中提供了显着的时间增长。 4Ward通过并行化激活的计算来克服学习矩阵方法的顺序性质，并为设计人员提供自定义权重初始化和激活函数的自由。我们的算法对于任何寻求在微观尺度的NN设计框架中利用复杂拓扑的研究者都可以帮助。
translated by 谷歌翻译