Loading...
Peirong Liu
机构名称：

Peirong Liu

¥ 1.0
热度

奖项 数据科学新星，加州大学圣地亚哥分校、芝加哥大学和斯坦福大学 2024 电子工程与计算机科学新星，麻省理工学院 2024 MICCAI NIH 奖，马拉喀什 2024 MICCAI 旅行奖，利马 2020 IPMI 奖学金，香港 2019 校长奖学金，上海大学（最高荣誉，前 10 名） 2018 国家奖学金，中国教育部（前 1%） 2018 优秀毕业生，中国教育部 2018 宝钢国家奖学金，上海（前 4 名） 2017 美国数学建模竞赛 (MCM) 决赛获胜者（团队负责人，前 0.4%，36/8843） 2017 上海市数学竞赛（数学专业）三等奖 2016 上海大学特等奖学金（前 3%） 2015-2017 上海大学优秀学生奖2015-2017 上海大学公益慈善奖 2015-2016

添加pdf代下载 VIP点击下载文件

Peirong Liu

Facebook Twitter Instagram Mail

主要关键词

Peirong LiuPDF文件第1页

Peirong LiuPDF文件第2页

Peirong LiuPDF文件第3页

相关文件推荐

Meilin Liu
2024 年

Meilin Liu

¥1.0
Che-Wei Liu 简历 - ASU 搜索
2024 年

Che-Wei Liu 简历 - ASU 搜索

¥1.0
Jasmine Lihua Liu_inlaga - DiVA 门户
2019 年

Jasmine Lihua Liu_inlaga - DiVA 门户

¥40.0
引用详情：Luo,J., Wei,C., Liu,H. 等人。MaizeCUBIC：玉米合成种群的综合变异数据库。数据库 (2020) 卷。
2020 年

引用详情：Luo,J., Wei,C., Liu,H. 等人。MaizeCUBIC：玉米合成种群的综合变异数据库。数据库 (2020) 卷。

¥1.0
引用：Ding, X.、Li, Y.、Li, D.、Li, L. 和 Liu, X. (2020)。使用机器学习方法区分甲基苯丙胺依赖患者
2023 年

引用：Ding, X.、Li, Y.、Li, D.、Li, L. 和 Liu, X. (2020)。使用机器学习方法区分甲基苯丙胺依赖患者

¥1.0
这是以下文章的同行评审版本：H. Zhang, W. Yu, J. Guo, C. Xu, Z. Ren, K. Liu, G. Yang, M. Qin, J. Huang, Z. Chen, Q. Lia
2023 年

这是以下文章的同行评审版本：H. Zhang, W. Yu, J. Guo, C. Xu, Z. Ren, K. Liu, G. Yang, M. Qin, J. Huang, Z. Chen, Q. Lia

¥3.0
Tulay Aygan Atesin Sajid Bashir Jingbo Louise Liu 编辑 用于下一代能源存储和转换的纳米结构材料
2024 年

Tulay Aygan Atesin Sajid Bashir Jingbo Louise Liu 编辑 用于下一代能源存储和转换的纳米结构材料

¥53.0
引文：Knysh, M., Liu, H. 和 Pinzani-Fokeeva, N. 新视界对称性、流体动力学和量子混沌。J. High Energ. Phys. 2024, 162 (2024)。
2025 年

引文：Knysh, M., Liu, H. 和 Pinzani-Fokeeva, N. 新视界对称性、流体动力学和量子混沌。J. High Energ. Phys. 2024, 162 (2024)。

¥3.0
引文 Zhou Z, Lin Y, Liu N, Zhang Y, Li B 和 Wang Y (2025) 内皮细胞衍生的细胞外基质在定向 PCL 上的梯度涂层
2025 年

引文 Zhou Z, Lin Y, Liu N, Zhang Y, Li B 和 Wang Y (2025) 内皮细胞衍生的细胞外基质在定向 PCL 上的梯度涂层

¥1.0
引文 Qiu J, Wu H, Xie Q, Zhou Y, Gao Y, Liu J, Jiang X, Suo L 和 Kuang Y (2024), 利用 D 介导的精确线粒体 DNA 碱基编辑
2024 年

引文 Qiu J, Wu H, Xie Q, Zhou Y, Gao Y, Liu J, Jiang X, Suo L 和 Kuang Y (2024), 利用 D 介导的精确线粒体 DNA 碱基编辑

¥1.0
泛素化 PCNA 驱动 USP1 在癌症中的合成致死性 Antoine Simoneau、Justin L. Engel、Madhavi Bandi、Katherine Lazarides、Shangtao Liu、Samu
2023 年

泛素化 PCNA 驱动 USP1 在癌症中的合成致死性 Antoine Simoneau、Justin L. Engel、Madhavi Bandi、Katherine Lazarides、Shangtao Liu、Samu

¥1.0
Wenjun Liu*, Hemei Zheng, Kahwee Ang, Hao Zhang, Huan Liu, Jun Han, Weiguo Liu, Qingqing Sun*, Shijin Ding and David Wei Zhang* Temperature-stable bla
2020 年

Wenjun Liu*, Hemei Zheng, Kahwee Ang, Hao Zhang, Huan Liu, Jun Han, Weiguo Liu, Qingqing Sun*, Shijin Ding and David Wei Zhang* Temperature-stable bla

¥1.0
引用：He H, Liu B, Luo H, et al . 大数据和人工智能发现针对没有 3D 结构的蛋白质的新型药物并克服无法用药的靶点。Stroke & Vascular Neurology 2020; 0 . doi:10.1136/svn-2019-000323
2020 年

引用：He H, Liu B, Luo H, et al . 大数据和人工智能发现针对没有 3D 结构的蛋白质的新型药物并克服无法用药的靶点。Stroke & Vascular Neurology 2020; 0 . doi:10.1136/svn-2019-000323

¥1.0
WANG, QI；Liu, Xuanqi；Huang, Ke-Wei，“取代还是增强？人工智能如何影响我们的工作：来自 LinkedIn 的证据”（2019 年）。ICIS 2019 论文集。28。https://aisel.aisnet.org/icis2019/economics_is/economics_is/28
2020 年

WANG, QI；Liu, Xuanqi；Huang, Ke-Wei，“取代还是增强？人工智能如何影响我们的工作：来自 LinkedIn 的证据”（2019 年）。ICIS 2019 论文集。28。https://aisel.aisnet.org/icis2019/economics_is/economics_is/28

¥1.0
Bowen Nie、Zhitao Liu、Fei Cen、Duoneng Liu、Hongxu Ma 等。一种用于无尾飞机横向飞行品质调查的创新实验方法。IEEE Access，2020 年，第 8 期，第 109543-109556 页。�10.1109/ACCESS.2020.3001913�。�hal-02917902�
2023 年

Bowen Nie、Zhitao Liu、Fei Cen、Duoneng Liu、Hongxu Ma 等。一种用于无尾飞机横向飞行品质调查的创新实验方法。IEEE Access，2020 年，第 8 期，第 109543-109556 页。�10.1109/ACCESS.2020.3001913�。�hal-02917902�

¥1.0
Yinling Liu、Tao Wang、Haiqing Zhang、Vincent Cheutet、Guohua Shen。飞机维护调度自主系统的设计和仿真。计算机与工业工程，2019 年，137，第 106041 页。10.1016/j.cie.2019.106041。hal-02305653
2023 年

Yinling Liu、Tao Wang、Haiqing Zhang、Vincent Cheutet、Guohua Shen。飞机维护调度自主系统的设计和仿真。计算机与工业工程，2019 年，137，第 106041 页。10.1016/j.cie.2019.106041。hal-02305653

¥4.0
已发表版本引文（哈佛）：Ibrahim, H, Liu, X, Rivera, SC, Moher, D, Chan, AW, Sydes, MR, Calvert, MJ 和 Denniston, AK 2021,《人工智能干预临床试验报告指南：SPIRIT-AI 和 CONSORT-AI 指南》，Trials，第 22 卷，第 1 期，11。https://doi.org/10.1186/s13063-020-04951-6
2020 年

已发表版本引文（哈佛）：Ibrahim, H, Liu, X, Rivera, SC, Moher, D, Chan, AW, Sydes, MR, Calvert, MJ 和 Denniston, AK 2021,《人工智能干预临床试验报告指南：SPIRIT-AI 和 CONSORT-AI 指南》，Trials，第 22 卷，第 1 期，11。https://doi.org/10.1186/s13063-020-04951-6

¥1.0
引用本文：Fan Zhang、Arianna Salazar-Miranda、Fábio Duarte、Lawrence Vale、Gary Hack、Min Chen、Yu Liu、Michael Batty 和 Carlo Ratti（2024 年 4 月 8 日）：城市视觉智能：利用人工智能和街道级图像研究城市，《美国地理学家协会年鉴》，DOI：10.1080/24694452.2024.2313515
2024 年

引用本文：Fan Zhang、Arianna Salazar-Miranda、Fábio Duarte、Lawrence Vale、Gary Hack、Min Chen、Yu Liu、Michael Batty 和 Carlo Ratti（2024 年 4 月 8 日）：城市视觉智能：利用人工智能和街道级图像研究城市，《美国地理学家协会年鉴》，DOI：10.1080/24694452.2024.2313515

¥2.0
出版详情：Liu, T., Tsang, W., Huang, F., Lau, OY, Chen, Y., Sheng, J., Guo, Y., Akinwunmi, B., Zhang, C. JP., & Ming, W.-K. (2021). 中国 SARS-CoV-2 大流行期间患者对人工智能应用与临床医生在疾病诊断中的偏好：离散选择实验。《医学互联网研究杂志》，23(2)，文章 e22841。https://doi.org/10.2196/22841
2025 年

出版详情：Liu, T., Tsang, W., Huang, F., Lau, OY, Chen, Y., Sheng, J., Guo, Y., Akinwunmi, B., Zhang, C. JP., & Ming, W.-K. (2021). 中国 SARS-CoV-2 大流行期间患者对人工智能应用与临床医生在疾病诊断中的偏好：离散选择实验。《医学互联网研究杂志》，23(2)，文章 e22841。https://doi.org/10.2196/22841

¥1.0
推荐引用 推荐引用 Collier, Zachary K.; Zhang, Haobai; 和 Liu, Liu (2022) “解释：多层次教育环境中倾向得分估计的人工智能”，实践评估、研究与评价：第 27 卷，第 3 篇文章。DOI：https://doi.org/10.7275/0dpq-eq84 可在以下网址获取：https://scholarworks.umass.edu/pare/vol27/iss1/3
2022 年

推荐引用 推荐引用 Collier, Zachary K.; Zhang, Haobai; 和 Liu, Liu (2022) “解释：多层次教育环境中倾向得分估计的人工智能”，实践评估、研究与评价：第 27 卷，第 3 篇文章。DOI：https://doi.org/10.7275/0dpq-eq84 可在以下网址获取：https://scholarworks.umass.edu/pare/vol27/iss1/3

¥2.0
出版详情：Shen, J., Chen, J., Zheng, Z., Zheng, J., Liu, Z., Song, J., Wong, SY, Wang, X., Huang, M., Fang, P.-H., Jiang, B., Tsang, W., He, Z., Liu, T., Akinwunmi, B., Wang, CC, Zhang, CJP, Huang, J., & Ming, W.-K. (2020)。一种用于诊断妊娠期糖尿病的创新型人工智能应用程序 (GDM-AI)：开发研究。医学互联网研究杂志，22(9)，文章 e21573。https://doi.org/10.2196/21573
2025 年

出版详情：Shen, J., Chen, J., Zheng, Z., Zheng, J., Liu, Z., Song, J., Wong, SY, Wang, X., Huang, M., Fang, P.-H., Jiang, B., Tsang, W., He, Z., Liu, T., Akinwunmi, B., Wang, CC, Zhang, CJP, Huang, J., & Ming, W.-K. (2020)。一种用于诊断妊娠期糖尿病的创新型人工智能应用程序 (GDM-AI)：开发研究。医学互联网研究杂志，22(9)，文章 e21573。https://doi.org/10.2196/21573

¥1.0
达特茅斯数字共享引用 达特茅斯数字共享引用 Nasir-Moin, Mustafa；Suriawinata, Arief A.；Ren, Bing；Liu, Xiaoying；Robertson, Douglas J.；Bagchi, Srishti；Tomita, Naofumi；Wei, Jason W.；Mackenzie, Todd A.；Rees, Judy R.； Hassanpour, Saeed，“人工智能增强数字系统对结直肠息肉组织学分类的评估”（2021 年）。达特茅斯奖学金。4174。https://digitalcommons.dartmouth.edu/facoa/4174
2023 年

达特茅斯数字共享引用 达特茅斯数字共享引用 Nasir-Moin, Mustafa；Suriawinata, Arief A.；Ren, Bing；Liu, Xiaoying；Robertson, Douglas J.；Bagchi, Srishti；Tomita, Naofumi；Wei, Jason W.；Mackenzie, Todd A.；Rees, Judy R.； Hassanpour, Saeed，“人工智能增强数字系统对结直肠息肉组织学分类的评估”（2021 年）。达特茅斯奖学金。4174。https://digitalcommons.dartmouth.edu/facoa/4174

¥1.0
Michael Anis Mihdi Afnan、Cynthia Rudin、Vincent Conitzer、Julian Savulescu、Abhishek Mishra、Yanhe Liu 和 Masoud Afnan。2021. 人工智能在体外受精中选择胚胎的伦理实施。2021 年 AAAI/ACM 人工智能、伦理和社会会议 (AIES '21) 论文集，2021 年 5 月 19-21 日，美国虚拟活动。ACM，美国纽约州纽约，11 页。https://doi.org/10.1145/3461702.3462589
2021 年

Michael Anis Mihdi Afnan、Cynthia Rudin、Vincent Conitzer、Julian Savulescu、Abhishek Mishra、Yanhe Liu 和 Masoud Afnan。2021. 人工智能在体外受精中选择胚胎的伦理实施。2021 年 AAAI/ACM 人工智能、伦理和社会会议 (AIES '21) 论文集，2021 年 5 月 19-21 日，美国虚拟活动。ACM，美国纽约州纽约，11 页。https://doi.org/10.1145/3461702.3462589

¥1.0
出版详情：Liu, T., Tsang, W., Xie, Y., Tian, K., Huang, F., Chen, Y., Lau, O., Feng, G., Du, J., Chu, B., Shi, T., Zhao, J., Cai, Y., Hu, X., Akinwunmi, B., Huang, J., Zhang, CJP, & Ming, W.-K. (2021). 新冠疫情前和疫情期间人工智能临床医生的偏好：离散选择实验和倾向得分匹配研究。医学互联网研究杂志，23(3)，文章 e26997。https://doi.org/10.2196/26997
2025 年

出版详情：Liu, T., Tsang, W., Xie, Y., Tian, K., Huang, F., Chen, Y., Lau, O., Feng, G., Du, J., Chu, B., Shi, T., Zhao, J., Cai, Y., Hu, X., Akinwunmi, B., Huang, J., Zhang, CJP, & Ming, W.-K. (2021). 新冠疫情前和疫情期间人工智能临床医生的偏好：离散选择实验和倾向得分匹配研究。医学互联网研究杂志，23(3)，文章 e26997。https://doi.org/10.2196/26997

¥1.0
引文 (APA) Tang, R., De Donato, L., Bes̆inović, N., Flammini, F., Goverde, RMP, Lin, Z., Liu, R., Tang, T., Vittorini, V., & Wang, Z. (2022)。人工智能在铁路系统中的应用文献综述。交通研究 C 部分：新兴技术，140，1-25。文章 103679。https://doi.org/10.1016/j.trc.2022.103679 重要提示 要引用此出版物，请使用最终出版版本（如适用）。请检查上面的文档版本。
2022 年

引文 (APA) Tang, R., De Donato, L., Bes̆inović, N., Flammini, F., Goverde, RMP, Lin, Z., Liu, R., Tang, T., Vittorini, V., & Wang, Z. (2022)。人工智能在铁路系统中的应用文献综述。交通研究 C 部分：新兴技术，140，1-25。文章 103679。https://doi.org/10.1016/j.trc.2022.103679 重要提示 要引用此出版物，请使用最终出版版本（如适用）。请检查上面的文档版本。

¥2.0
推荐引用 推荐引用 Olan, F., Liu, S., Suklan, J., Jayawickrama, U., & Arakpogun, E. (2021) ‘人工智能网络在食品和饮料行业可持续供应链金融中的作用’, International Journal of Production Research, 60(14), pp. 4418-4433。可从以下网址获取：https://doi.org/10.1080/ 00207543.2021.1915510 本文由 PEARL 艺术、人文和商业学院免费提供给您。它已被 PEARL 的授权管理员接受纳入普利茅斯商学院。有关更多信息，请联系 openresearch@plymouth.ac.uk 。
2024 年

推荐引用 推荐引用 Olan, F., Liu, S., Suklan, J., Jayawickrama, U., & Arakpogun, E. (2021) ‘人工智能网络在食品和饮料行业可持续供应链金融中的作用’, International Journal of Production Research, 60(14), pp. 4418-4433。可从以下网址获取：https://doi.org/10.1080/ 00207543.2021.1915510 本文由 PEARL 艺术、人文和商业学院免费提供给您。它已被 PEARL 的授权管理员接受纳入普利茅斯商学院。有关更多信息，请联系 openresearch@plymouth.ac.uk 。

¥2.0
具有数字、射频和光学集成功能的系统级封装 (SOP) 基板和模块 Venky Sundaram*、Rao Tummala、George White、Kyutae Lim、Lixi Wan、Daniel Guidotti、Fuhan Liu、Swapan Bhattacharya、Raj M Pulugurtha、Isaac Robin Abothu、Ravi Doraiswami、Raghuram V. Pucha、Joy Laskar、Manos Tentzeris、G. K. Chang、Madhavan Swaminathan 佐治亚理工学院包装研究中心 * vsunda@ece.gatech.edu，404-894-9394，404-894-3842（传真）
2004 年

具有数字、射频和光学集成功能的系统级封装 (SOP) 基板和模块 Venky Sundaram*、Rao Tummala、George White、Kyutae Lim、Lixi Wan、Daniel Guidotti、Fuhan Liu、Swapan Bhattacharya、Raj M Pulugurtha、Isaac Robin Abothu、Ravi Doraiswami、Raghuram V. Pucha、Joy Laskar、Manos Tentzeris、G. K. Chang、Madhavan Swaminathan 佐治亚理工学院包装研究中心 * vsunda@ece.gatech.edu，404-894-9394，404-894-3842（传真）

¥1.0
许多公司提供 AI 驱动的软件平台，用于对临床测序数据（例如 NGS、WES、WGS）进行基因组分析和解释，例如使用 VCF 文件作为输入（表 1）。分析任务包括比对、变异解释、变异调用、注释和分析以及文献整理。AI 驱动方法的优势包括大大缩短周转时间并提高诊断产量。还有基于监督学习（例如 ISOWN）、机器学习（例如 BAYSIC、MutationSeq、SNooPer、SomaticSeq）、卷积神经网络（例如 Clairvoyante）、深度卷积神经网络（例如 DeepSea）、深度循环神经网络（例如 Deep Nano）、深度神经网络（例如 DANN）和人工神经网络（例如 Skyhawk）的基于 AI 的变异调用算法（一些可免费获得），这些算法最近都得到了调查和评论（Bohannan and Mitrofanova 2019；Karimnezhad et al 2020；Koboldt 2020；Liu et al 2019；Xu 2018）。
2021 年

许多公司提供 AI 驱动的软件平台，用于对临床测序数据（例如 NGS、WES、WGS）进行基因组分析和解释，例如使用 VCF 文件作为输入（表 1）。分析任务包括比对、变异解释、变异调用、注释和分析以及文献整理。AI 驱动方法的优势包括大大缩短周转时间并提高诊断产量。还有基于监督学习（例如 ISOWN）、机器学习（例如 BAYSIC、MutationSeq、SNooPer、SomaticSeq）、卷积神经网络（例如 Clairvoyante）、深度卷积神经网络（例如 DeepSea）、深度循环神经网络（例如 Deep Nano）、深度神经网络（例如 DANN）和人工神经网络（例如 Skyhawk）的基于 AI 的变异调用算法（一些可免费获得），这些算法最近都得到了调查和评论（Bohannan and Mitrofanova 2019；Karimnezhad et al 2020；Koboldt 2020；Liu et al 2019；Xu 2018）。

¥1.0
b"作者姓名：Divyanshu Tak 1,2, ；Biniam A. Garomsa 1,2 ；Tafadzwa L. Chaunzwa 1,2,10 ；Anna Zapaishchykova 1,2, ；Juan Carlos Climent Pardo 1,2 ；Zezhong Ye 1,2, ；John Zielke 1,2 ；Yashwanth Ravipati 1,2 ；Sri Vajapeyam 4 ；Ceilidh Smith 2 ；Kevin X.Liu 4 ；Pratiti Bandopadhayay 4,5 ；Sabine Mueller 9 ；黄蒙德4,5,11; Tina Y. Poussaint 4,5；Benjamin H. Kann 1,2,5 * 作者隶属关系：1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目，美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系，美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系，荷兰马斯特里赫特 4. 波士顿儿童医院，美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所，美国马萨诸塞州波士顿 6. 密歇根州立大学，美国密歇根州东兰辛 7. 费城儿童医院，美国费城 8. 宾夕法尼亚大学，美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系，美国旧金山 10. 纪念斯隆凯特琳癌症中心中心，纽约，美国 11. 哈佛医学院布莱根妇女医院放射科，马萨诸塞州波士顿。 * 通讯作者 通讯地址：Benjamin H. Kann，医学博士 医学人工智能 (AIM) 项目，麻省总医院布莱根，哈佛医学院，221 Longwood Avenue，Ste 442，波士顿，马萨诸塞州 02115，美国 电子邮件：Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理，但需要具有可泛化知识的算法，以便在各种临床场景中表现良好。到目前为止，该领域受到有限的训练数据和特定于任务的模型的限制，这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应，提出了一个有前途的范例来克服这些限制。在这里，我们介绍了脑成像自适应核心 (BrainIAC)，这是一种新颖的基础模型，旨在从未标记的脑 MRI 数据中学习广义表示，并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证，证明 BrainIAC 优于局部监督训练和其他预训练模型，特别是在低数据设置和高难度任务中，允许在其他不可行的情况下应用。
2024 年

b"作者姓名：Divyanshu Tak 1,2, ；Biniam A. Garomsa 1,2 ；Tafadzwa L. Chaunzwa 1,2,10 ；Anna Zapaishchykova 1,2, ；Juan Carlos Climent Pardo 1,2 ；Zezhong Ye 1,2, ；John Zielke 1,2 ；Yashwanth Ravipati 1,2 ；Sri Vajapeyam 4 ；Ceilidh Smith 2 ；Kevin X.Liu 4 ；Pratiti Bandopadhayay 4,5 ；Sabine Mueller 9 ；黄蒙德4,5,11; Tina Y. Poussaint 4,5；Benjamin H. Kann 1,2,5 * 作者隶属关系：1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目，美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系，美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系，荷兰马斯特里赫特 4. 波士顿儿童医院，美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所，美国马萨诸塞州波士顿 6. 密歇根州立大学，美国密歇根州东兰辛 7. 费城儿童医院，美国费城 8. 宾夕法尼亚大学，美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系，美国旧金山 10. 纪念斯隆凯特琳癌症中心中心，纽约，美国 11. 哈佛医学院布莱根妇女医院放射科，马萨诸塞州波士顿。 * 通讯作者 通讯地址：Benjamin H. Kann，医学博士 医学人工智能 (AIM) 项目，麻省总医院布莱根，哈佛医学院，221 Longwood Avenue，Ste 442，波士顿，马萨诸塞州 02115，美国 电子邮件：Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理，但需要具有可泛化知识的算法，以便在各种临床场景中表现良好。到目前为止，该领域受到有限的训练数据和特定于任务的模型的限制，这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应，提出了一个有前途的范例来克服这些限制。在这里，我们介绍了脑成像自适应核心 (BrainIAC)，这是一种新颖的基础模型，旨在从未标记的脑 MRI 数据中学习广义表示，并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证，证明 BrainIAC 优于局部监督训练和其他预训练模型，特别是在低数据设置和高难度任务中，允许在其他不可行的情况下应用。

¥3.0