KI-Tools, bewertet für deinen Beruf
Bezahlte KI-Jobs
🤝 Du bist in der Frei-&-Open-Source-Bibliothek — von der Community entwickelte Tools, die du kostenlos nutzen kannst. Ein anderes Konzept als unser bewertetes KI-Verzeichnis.
Start › Frei & Open Source › Medizin › nmed2024
✦ Frei & Open SourceMedizin

nmed2024

KI-Framework zur Differentialdiagnose von Demenzursachen auf Basis multimodaler Daten.

KI-Framework zur Demenzdiagnose

Deep-Learning-Framework zur Differentialdiagnose von Demenzursachen unter Verwendung multimodaler Daten.

Für immer kostenlos · Open Source · AGPL-3.0
✓ Needs IT✓ Im Browser✓ Echtzeit-Zusammenarbeit
5.6
ZEKAI
Nature Medicine Demenz-KI-Modell
Frei & Open Source · Medizin
Einfache Einrichtung3
Nützlichkeit9
Wartung5.5
Community5
★ 103
GITHUB
Jan 2026
AKTUALISIERT
AGPL-3.0
LIZENZ
🛠 Keine Lust auf Self-Hosting? Wir richten es ein →
⚡ Schnelle Antwort

Dieses Tool bietet ein in Nature Medicine veröffentlichtes Deep-Learning-Framework zur Diagnose von Demenzursachen. Es eignet sich für klinische Forscher und Entwickler medizinischer KIs, die mit multimodalen Patientendaten und MRT-Scans arbeiten.

Läuft auf
Cross-platform
Hosting
Self-host
Sprachen
Python
Lizenz
AGPL-3.0

Was es ist

Es verarbeitet demografische Daten auf Individuenebene, die Krankengeschichte, neurologische Untersuchungen und multisequenzielle MRT-Scans mithilfe eines Transformer-Modells. Das framework klassifiziert Personen in dreizehn Diagnosekategorien, aufgeteilt in normale Kognition, leichte kognitive Beeinträchtigung und zehn Demenztypen.

Für wen

Es eignet sich für Forscher und Data Scientists mit Zugang zu klinischen Kohorten und GPU-Infrastruktur, die eine fortgeschrittene Demenzklassifizierung durchführen möchten. Es ist nicht geeignet für Ärzte ohne technische Expertise oder solche, die nicht über das erforderliche Python- und PyTorch-Setup verfügen.

Wichtige Funktionen

Multimodale Datenfusion

Kombiniert demografische Daten, Krankengeschichte, neurologische Tests und MRT-Scans in einem einzigen Transformer-Modell.

Selbstüberwachte MRT-Einbettungen

Extrahiert Bild-Embeddings mithilfe eines fein abgestimmten Swin-UNETR-Encoders mit selbstüberwachten vorab trainierten Gewichten.

Dreizehn Diagnosekategorien

Klassifiziert Patienten in normale Kognition, leichte kognitive Beeinträchtigung und zehn verschiedene Demenztypen.

Interaktive Huggingface-Demo

Bietet einen online gehosteten Bereich, um Diagnosevorhersagen ohne lokale Installation zu testen.

Erste Schritte

Startklar in 3 Schritten

1
Klonen Sie das Repository und installieren Sie das Paket mit pip install git+https://github.com/vkola-lab/nmed2024.git.
2
Bereiten Sie Ihre MRT-Scans mit den bereitgestellten Skull-Stripping-Skripten vor und generieren Sie Bild-Embeddings mit Swin UNETR.
3
Konfigurieren Sie Ihre Datentfade in einer TOML-Datei und führen Sie die Trainings- oder Vorhersageskripte im Repository aus.
Klartext

Unser ehrliches Fazit

Stärken

  • Veröffentlichte peer-reviewed Methodik aus Nature Medicine basierend auf 9 verschiedenen Kohorten
  • Enthält modularen Code zur Extraktion von Bildgebungsmerkmalen und zum Trainieren des Transformers
  • Unterstützt multimodale Eingabekonfigurationen sowie Fallback-Modi ohne Bildgebung
  • Bietet eine zugängliche, interaktive Huggingface-Demo für Tests in Echtzeit

Schwächen

  • Erfordert ein erhebliches technisches Setup einschließlich Python-, PyTorch-, MONAI- und TorchIO-Abhängigkeiten
  • Erfordert Multi-GPU-Hardwarekapazität zum Trainieren des Bildextraktors und des Transformer-Backbones
  • Erfordert präzise TOML-Konfigurationsdateien, um numerische, kategoriale und Bildgebungsmerkmale korrekt zu formatieren
Kosten

Preise & Lizenz

Das Tool ist im Rahmen seiner Open-Source-Lizenz kostenlos und eine interaktive Demo wird auf Huggingface gehostet, sodass die einzigen finanziellen Kosten durch den Betrieb eigener Hardware und Recheninfrastruktur entstehen.

Bezahlte Arbeit

Stellen für Deutschsprachige

877 offene Remote-Stellen im KI-Training, aktualisiert am 16. November 2026; die meisten zahlen $20–$175 pro Stunde. 12 davon suchen Deutschsprachige. Zekai listet sie kostenlos; die Bewerbung läuft über die Plattform des Arbeitgebers.

Alle offenen Stellen ansehen →
Vergleich

Alternativen

🎁 Freie & Open-Source-Alternativen

Diese bewerteten KI-Tools erledigen die Aufgabe sofort — aus unserem bewerteten Verzeichnis.

Mehr

Nutze es, oder lass es uns einrichten

📄 Kostenloses PDF: nmed2024 für Medizin
Ein verständlicher Leitfaden für dein erstes Ergebnis. Direkt in dein Postfach.
🔔 64 Personen wünschen sich ein komplettes Video-Tutorial — stimme ab
🛠 Keine Lust auf eigene Einrichtung?
Wir installieren, hosten & konfigurieren nmed2024 für dich — und schulen dein Team.
Erledigen lassen ↗
Fragen

FAQ

Welche Datenmodalitäten unterstützt das Modell?

Das Modell unterstützt demografische Daten, Krankengeschichte, neurologische Tests, körperliche Untersuchungen und multisequenzielle MRT-Scans.

Wie kann ich das Modell testen, ohne es lokal zu installieren?

Sie können die interaktive Huggingface-Space-Demo nutzen, die von den Autoren gehostet wird, um die Vorhersagen des Modells in Echtzeit zu erkunden.

Kann ich das Modell ohne MRT-Scans ausführen?

Ja, Sie können das Modell ohne Bildgebung trainieren und ausführen, indem Sie die NonImg-Flag-Konfiguration verwenden.

Radar

Neueste KI-News

✉️ Das wöchentliche kostenlose Toolkit
Die besten neuen freien & Open-Source-Tools für Medizin — eine kurze E-Mail pro Woche, in deiner Sprache.
Kostenlos · 1 E-Mail/Woche · jederzeit abbestellbar
Mit KI-Training Geld verdienen →

Zekai zuerst in Google sehen