KI-Framework zur Differentialdiagnose von Demenzursachen auf Basis multimodaler Daten.
Deep-Learning-Framework zur Differentialdiagnose von Demenzursachen unter Verwendung multimodaler Daten.
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.
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.
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.
Kombiniert demografische Daten, Krankengeschichte, neurologische Tests und MRT-Scans in einem einzigen Transformer-Modell.
Extrahiert Bild-Embeddings mithilfe eines fein abgestimmten Swin-UNETR-Encoders mit selbstüberwachten vorab trainierten Gewichten.
Klassifiziert Patienten in normale Kognition, leichte kognitive Beeinträchtigung und zehn verschiedene Demenztypen.
Bietet einen online gehosteten Bereich, um Diagnosevorhersagen ohne lokale Installation zu testen.
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.
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.
Diese bewerteten KI-Tools erledigen die Aufgabe sofort — aus unserem bewerteten Verzeichnis.
Das Modell unterstützt demografische Daten, Krankengeschichte, neurologische Tests, körperliche Untersuchungen und multisequenzielle MRT-Scans.
Sie können die interaktive Huggingface-Space-Demo nutzen, die von den Autoren gehostet wird, um die Vorhersagen des Modells in Echtzeit zu erkunden.
Ja, Sie können das Modell ohne Bildgebung trainieren und ausführen, indem Sie die NonImg-Flag-Konfiguration verwenden.
Zekai zuerst in Google sehen