分别从“点对点”雨量检验和降水空间结构特征检验两方面对多个数值模式东亚夏季中短期逐日降水集合预报进行评估,结果表明不同模式对降水的不同方面存在不一样的预报能力。借助基于对象的诊断评估方法(method for object-based diagnos...分别从“点对点”雨量检验和降水空间结构特征检验两方面对多个数值模式东亚夏季中短期逐日降水集合预报进行评估,结果表明不同模式对降水的不同方面存在不一样的预报能力。借助基于对象的诊断评估方法(method for object-based diagnostic evaluation,简称MODE)提出了基于降水对象的超级集合(Object-based Superensemble,简称OBJSUP)模型,采用观测场和预报场中降水对象空间结构的相似度来分配各个成员模式的权重,有别于利用传统“点对点”误差分析来计算权重的超级集合(Gridpoint-based Superensemble,简称GPSUP)。相比于最优单模式,两种多模式集成预报均有效地提高了中短期降水预报技巧,且OBJSUP模型整体优于GPSUP模型,主要原因在于OBJSUP模型可以较好地改进降水对象的质心位置预报。为进一步检验多模式集成模型对强降水空间结构特征的预报能力,针对2018年夏季广东一次极端强降水事件,多模式集成预报与高分辨率区域模式动力降尺度预报对比表明,多模式集成对强降水的预报不足,但对广东省逐日大雨量级降水和过程累积降水量空间分布预报较好。高分辨率区域模式对此个例中粤东地区发生的强降水具有一定的预报能力,但对广东省其他地区降水量预报偏弱。展开更多
影像基因组学认为神经影像与基因之间存在着一定程度的相关性,利用遗传变异与影像数据进行疾病分析愈发受研究人员重视。在实践中,临床医生拥有的数据规模往往较小,但仍然希望使用深度学习来解决现实问题。考虑到不断扩大的数据规模与...影像基因组学认为神经影像与基因之间存在着一定程度的相关性,利用遗传变异与影像数据进行疾病分析愈发受研究人员重视。在实践中,临床医生拥有的数据规模往往较小,但仍然希望使用深度学习来解决现实问题。考虑到不断扩大的数据规模与昂贵的标注成本,构建能够利用多模态数据的无监督学习方法十分必要。为了满足上述需求,提出了一种基于影像与基因多模态表格数据对比学习的表征学习方法(multimodal tabular data with contrastive learning,MTCL),该模型利用了静息态功能磁共振成像(rs-fMRI)和单核苷酸多态性(single nucleotide polymorphisms,SNP)数据,无需数据的任何标签信息。为了增强可解释性,模型先通过特征提取模块将rs-fMRI和SNP数据转换为表格类型结构,再通过多模态表格数据对比学习模块对多模态数据进行融合,并获得融合后的数据表征。在重度抑郁症(major depression disorder,MDD)数据上,文中提出的方法能够有效提升MDD诊断性能。此外,MTCL方法结合了模型归因方法挖掘与MDD相关的影像和遗传生物标记物,提高了模型的可解释性,有助于研究人员对疾病发病机制的理解。展开更多
文摘影像基因组学认为神经影像与基因之间存在着一定程度的相关性,利用遗传变异与影像数据进行疾病分析愈发受研究人员重视。在实践中,临床医生拥有的数据规模往往较小,但仍然希望使用深度学习来解决现实问题。考虑到不断扩大的数据规模与昂贵的标注成本,构建能够利用多模态数据的无监督学习方法十分必要。为了满足上述需求,提出了一种基于影像与基因多模态表格数据对比学习的表征学习方法(multimodal tabular data with contrastive learning,MTCL),该模型利用了静息态功能磁共振成像(rs-fMRI)和单核苷酸多态性(single nucleotide polymorphisms,SNP)数据,无需数据的任何标签信息。为了增强可解释性,模型先通过特征提取模块将rs-fMRI和SNP数据转换为表格类型结构,再通过多模态表格数据对比学习模块对多模态数据进行融合,并获得融合后的数据表征。在重度抑郁症(major depression disorder,MDD)数据上,文中提出的方法能够有效提升MDD诊断性能。此外,MTCL方法结合了模型归因方法挖掘与MDD相关的影像和遗传生物标记物,提高了模型的可解释性,有助于研究人员对疾病发病机制的理解。
