A Dual Meta-Learning Framework based on Idle Data for Enhancing Segmentation of Pancreatic Cancer
上线时间：2022-03-19
期刊：MIA
链接：https://doi.org/10.1016/j.media.2021.102342
临床意义：小尺寸和不显眼的边界限制了胰腺癌的自动分割性能。由于图像采集和注释的困难，深度学习必须要在训练样本较少的情况下进行。为了缓解由小规模数据集引起的问题，作者从不同的研究中收集了闲置的胰腺癌多参数 MRI，以构建一个相对较大的数据集来增强 CT 胰腺癌分割。
工程创新：双重元学习框架的深度学习分割模型。
开源：否
评论：前置是一个多模态img2img的trans工作用来做数据增强，主要的分割模型是用了共享参数的（中间模态-CT模态）的元学习方法。对比实验做的很多都是baseline，在relate work时也没广泛的描述。结果不显著。
Machine learning and phone data can improve targeting of humanitarian aid
上线时间：2022-03-16
期刊：Nature
链接：https://www.nature.com/articles/s41586-022-04484-9
意义：来自移动电话网络的数据可以提高人道主义援助的针对性。
方法：使用传统的调查数据来训练机器学习算法，以识别手机数据中的贫困模式；然后，经过训练的算法可以优先向最贫困的移动用户提供援助。
结果：突出了新数据源补充传统人道主义援助目标方法的潜力。
开源：https://github.com/emilylaiken/togo-targeting-replication/
评论：机器学习的应用实例，实验规模大感觉确实是nature的先决条件啊。
Instance Importance-Aware Graph Convolutional Network for 3D Medical Diagnosis
上线时间：2022-03-18
期刊：MIA
链接：https://doi.org/10.1016/j.media.2022.102421
临床意义：使用了患者标签，来做临床诊断。
方法：提出了一个实例重要性感知图卷积网络。用了multi-instance learning (MIL)。包括两方面，实例重要性和实例间感知。完成自动诊断任务。
开源：https://github.com/CityU-AIM-Group/I2GCN
方法对比：通过将每个 2D 切片转换为一个实例嵌入，许多工作将 3D 扫描的实例嵌入聚合为 bag embedding，然后进行 bag prediction 以实现对 3D 医疗数据的诊断。这些实例聚合方法无法感知和利用不同实例对诊断的重要性。通过随机删除节点的广泛使用的图增强与 MIL 框架冲突。通过丢弃关键实例（即病变切片），它可能会将 3D 感染扫描更改为负样本，并导致增强样本与其标签之间的不一致。因此，为 MIL 框架量身定制的基于图的增强策略有望实现准确的 3D 医学诊断。
评论：用了图网络确实会容易中期刊。使用了混合3D的MRI和CT图像（来自CC-CCII和PROSTATEx）来证明方法的通用性。一个图分类任务。
Multimodality Imaging to Assess Leaflet Height in Mitral Bioprosthetic Valves: Implications for Mitral Valve-in-Valve Procedure
上线时间：2022-03-16
期刊：JACC:Imaging
链接：https://www.jacc.org/doi/abs/10.1016/j.jcmg.2022.01.010
评论：一个Imaging Vignette。讨论了多模态在二尖瓣修复手术的应用。包括了提取临床指标。可以作为多模态在困难病例上的广泛应用的实例。