近年来,一种新的人工智能(AI)模式称为深度学习(DL)的计算机视觉领域发生了革命性变化,预测分析,辅助决策。深层神经网络(款)已经能够超越人类专家在复杂的数据集成和决策任务在许多领域,从社会网络分析基因组学、蛋白质组学和图像/信号处理。能够无缝集成多通道、多畴的和多尺度数据为了提取诊断相关的信息将变得越来越重要新兴领域精密肿瘤或精密神经生理学等。

DL的关键要求是大量的训练数据的可用性,以及计算能力。在这种背景下,近年来非常大的公开的“大”拼策划医学成像和元数据存储库(如人类连接体项目,英国生物库,整张影像库,和癌症成像存档等等)已经变得可用。研究人员因此AI现在能够构建和验证框架的真正潜力影响临床神经科学研究,提高决策在临床实践中,使临床试验通过个性化patient-wise预测。

而跨越广泛的话题,这个特殊问题的焦点将在开发先进的人工智能技术对于复杂的个性化医疗应用程序诊断评估和战略决策。原来我们鼓励跨学科研究贡献目标之间的桥梁称为DL技术和生物医学和临床学科细胞和分子生物学、病理学、肿瘤学、神经病学和生成小说,多通道,多畴的生物标志物和增加潜在的创新、个性化的病患管理策略。评论文章关注这些主题也欢迎。

潜在的主题包括但不限于以下:

• 款模型的解释和可视化策略
• 基于ai重建、医学图像的处理和分析
• 基于深度学习的组织学和细胞学分析图像
• 预测组织学或细胞学的组织特点从体内非侵入性成像(MRI、PET、CT)
• 多通道和多畴的医疗数据集成
• 策略来处理数据稀疏和DL缺乏在医学上的应用
• 在重症监护病房智能生命体征监测
• 智能诊断患者分层调度设施
• Artificial-intelligence-based治疗决策支持
• 人工智能策略的预测纵向病人轨迹
• 在临床前成像深度学习
• Deep-radiomics:图像分割和分析
• 深度学习genome-scale-omics和multiomics数据分析
• 自动推理和metareasoning医学
• 基于网络的分析模型和系统一般人群的健康