之间的串扰计算在医疗保健医学和神经科学

神经科学的不断增加的体积数据,如fMRI,梅格,脑电图,,让我们获得更多的洞察发现神经疾病的工作机制。跨学科的技术在神经科学和计算药物可以有效改善传统医学患者练习占个体差异,行为和生理反应。这些技术促进我们更好地提供早期干预和调整和经济上个性化的治疗,特别是对神经退行性和神经系统疾病。然而,由于疾病发病机理的复杂性和神经元活动在个体层面,建立一个精确的、可概括的,健壮的可解释性医疗体系仍然面临许多挑战。人工智能技术在医学和神经科学领域提供一个引人注目的愿景有潜力做出改进以较低的成本实现这些目标。

增量的实际大规模标注数据集和计算能力的增强,许多现有约束学习复杂的医学和神经科学数据已经大大减少。然而,传统方法依赖于专家系统和利用已知事实和知识进行推断,忽略了潜在的生物标记物之间的联系,疾病进展,神经元的活动,和毒品。这些协会包括疾病并发症、药物成分,药物病反应,类似的症状或神经活动,和许多其他人。这种现象不可避免地限制了性能的临床分析和很难利用医疗信息在临床决策。

最近的研究课题旨在全面收集先进的神经科学的跨学科技术方面,计算医学和智能辅助诊断。我们欢迎原创文章、评论、评论和观点包括以下特定主题感兴趣的但不限于:

——创新的数据融合和分析方法计算神经科学医学或医疗。

——先进的机器学习和深度学习方法与诊断有关,和医疗保健,如计算机辅助诊断和疾病相应并发症的预测。

——多任务情报方法的跨学科应用医学和神经科学数据。

——多维特征学习神经信号的临床数据。

神经科学数据分析-可判断的先进方法。