XiaoMi-AI文件搜索系统
World File Search SystemAutogluon
使用大脑MRI和临床数据的多模式方法
摘要 - 预测衰老个体临床下降的轨迹是一个紧迫的挑战，尤其是对于患有轻度认知障碍，阿尔茨海默氏病，帕金森氏病或血管性痴呆症患者而言。准确的预测可以指导治疗决策，确定风险因素并优化临床试验。在这项研究中，我们比较了在临床痴呆率评级量表“盒子总和”评分（SOBCDR）中，在2年间隔内进行了两种深度学习方法。这是痴呆症研究中的关键指标，评分范围从0（无损害）到18（严重损害）。为了预测下降，我们训练了一个混合卷积神经网络，该网络将3D T1加权的脑MRI扫描与表格临床和人口统计学特征（包括年龄，性别，体重指数（BMI）和基线SOBCDR）相结合。我们针对Autogluon进行了基准测试，Autogluon是一个自动化的多模式学习框架，选择了适当的神经网络体系结构。我们的结果证明了将图像和表格数据组合在临床应用预测建模中的重要性。深度学习算法可以融合基于图像的大脑特征和表格临床数据，并具有衰老和痴呆症的个性化预后。
oxonfair：算法公平的灵活工具包
我们提出了OxonFair，这是一种新的开源工具包，用于在二元分类中执行公平性。与现有工具包相比：（i）我们支持NLP和计算机视觉分类以及标准表格问题。（ii）我们支持对验证数据实施公平性，使我们对各种过度适应的挑战进行了强大的态度。（iii）我们的方法可以根据真实的姿势，假阳性，假否定性和真实负面影响来优化任何措施。这使其比现有工具包更容易扩展和表现力。它支持两篇流行评论文章的所有9个和所有基于决策的小组指标。（iv）我们共同优化了一个与公平限制的性能目标。这可以最大程度地减少降解，同时实施公平，甚至改善了不充分调整的不公平基线的表现。OxonFair与标准ML工具包兼容，包括Sklearn，Autogluon和Pytorch，可在https://github.com/oxfordinterntertintinstitute/oxonfair上找到。