多模态人工智能在疾病诊断、预后和预防中的最新进展

人工智能(AI)在医疗保健领域的计算机辅助决策中已经变得流行起来。许多新的人工智能方法正在开发用于疾病诊断和预后。如果及时诊断，大多数疾病都可以得到早期治愈和更好的治疗。人工智能模型可以帮助临床诊断，从而减少医生和放射科医生的工作量，从而提高诊断效率。然而，大多数人工智能方法依赖于单模态数据的使用。例如，脑肿瘤检测使用大脑MRI，皮肤病变检测使用皮肤病理图像，肺癌检测使用肺部CT或x线成像。单模态AI模型缺少对来自不同模态数据(如电子健康记录(EHR)、非结构化临床记录和不同医学成像模式)的复杂特征的急需的集成，否则这些数据将构成临床决策的支柱。

最近的许多研究表明，多模态数据的使用倾向于增强人工智能模型在医学成像中的预测性能，例如，通过利用不同模态数据中的不同特征。因此，多模态AI模型以及早期/晚期数据/推理融合方法可以有效地利用数据中的复杂特征，从而产生更好的决策。通常，组合不同模式的数据并不简单，因为数据在维度、模式和可用性方面存在差异。探索组合不同数据类型的新方法通常会导致多模式数据收集、清理、预处理和集成的新协议和策略。因此，在为医疗数据训练多模态AI模型以实现准确预测、解释等目标方面存在许多实际挑战。

因此，非常需要涵盖多模态AI在疾病诊断、预后或预防方面的最新进展和新方法和技术。在这方面，本研究主题将有利于人工智能和临床研究人员在医疗数据领域寻求多模态人工智能方法的新发展。

我们欢迎有潜力的作者提交与本研究主题范围相关的原创研究文章、综述文章或研究报告。感兴趣的话题包括(但不限于):

•用于癌症诊断和预后的多模态AI，包括脑癌、肺癌、皮肤癌、结直肠癌、前列腺癌、头颈癌。
•用于罕见癌症的多模式人工智能
神经退行性疾病的多模态人工智能。
•解决多模式人工智能中数据不平衡问题的新方法和技术。
•为人工智能模型组合多模态医疗数据的新方法和技术。
•多模态医疗数据分析的新方法。
•疾病诊断中AI模型的早期融合和晚期融合方法。
•结合推断和预测的新方法及其在医学领域的应用
•用于多模态医疗数据联邦学习的新闻方法和技术。
•使用医学图像、组学和EHR数据进行多模式AI模型训练，用于癌症诊断和预后。
•在收集不同模态数据期间克服数据不平衡挑战的技术。
•医学多模态人工智能的神经网络量化。
•有效医疗决策的贝叶斯网络和概率方法
•使用边缘计算进行实时医学图像分析的多模态AI。
•可解释的多模态AI模型的临床转化。
•对多模态人工智能在疾病诊断和预后方面的近期研究进行了调查和回顾。
•多模态人工智能模型的新软件工具和医疗决策系统

关键字:多模态人工智能、数据融合、诊断、医学影像、医疗人工智能

重要提示:所有对本研究主题的贡献必须在其所提交的章节和期刊的范围内，如其使命声明中所定义的那样。雷竞技rebat在同行评审的任何阶段，Frontiers保留将超出范围的稿件引导到更合适的章节或期刊的权利。