Des outils IA notés pour votre métier
Missions IA payées
🤝 Vous êtes dans la bibliothèque Libre & Open Source — des outils communautaires utilisables sans payer. Un concept différent de notre annuaire IA noté.
Accueil › Libre & Open Source › Médecine › nmed2024
✦ Libre & open sourceMédecine

nmed2024

Cadre d'IA pour le diagnostic différentiel des étiologies de la démence sur des données multimodales.

Cadre de diagnostic de la démence par IA

Cadre d'apprentissage profond pour le diagnostic différentiel des étiologies de la démence utilisant des données multimodales.

Gratuit pour toujours · open source · AGPL-3.0
✓ Needs IT✓ Dans le navigateur✓ Collaboration en temps réel
5.6
ZEKAI
Modèle d'IA de démence de Nature Medicine
Libre & open source · Médecine
Facilité d'installation3
Utilité9
Maintenance5.5
Communauté5
★ 103
GITHUB
Jan 2026
MIS À JOUR
AGPL-3.0
LICENCE
🛠 Pas envie de l'héberger vous-même ? Nous pouvons l'installer →
⚡ Réponse rapide

Cet outil fournit un cadre d'apprentissage profond publié dans Nature Medicine pour le diagnostic des étiologies de la démence. Il convient aux chercheurs cliniques et aux développeurs d'IA médicale travaillant avec des données de patients multimodales et des examens IRM.

Fonctionne sur
Cross-platform
Hébergement
Self-host
Langues
Python
Licence
AGPL-3.0

Qu'est-ce que c'est

Il traite les données démographiques individuelles, les antécédents médicaux, les examens neurologiques et les examens IRM à séquences multiples via un modèle de transformateur. Le cadre classe les individus en treize catégories diagnostiques couvrant la cognition normale, les troubles cognitifs légers et dix types de démence.

Pour qui

Il convient aux chercheurs et aux data scientists ayant accès à des cohortes cliniques et à une infrastructure GPU qui souhaitent exécuter une classification avancée de la démence. Il ne convient pas aux cliniciens sans expertise technique ou à ceux qui ne disposent pas de la configuration Python et PyTorch requise.

Fonctionnalités clés

Fusion de données multimodales

Combine les données démographiques, les antécédents médicaux, les tests neurologiques et les examens IRM en un seul modèle de transformateur.

Embeddings d'IRM auto-supervisés

Extrait des embeddings d'images à l'aide d'un encodeur Swin UNETR affiné avec des poids pré-entraînés par auto-supervision.

Treize catégories diagnostiques

Classifie les patients selon la cognition normale, les troubles cognitifs légers et dix types de démence distincts.

Démo interactive Huggingface

Fournit un espace hébergé en ligne pour tester les prédictions diagnostiques sans installation locale.

Comment démarrer

Opérationnel en 3 étapes

1
Clonez le référentiel et installez le paquet à l'aide de pip install git+https://github.com/vkola-lab/nmed2024.git.
2
Préparez vos examens IRM à l'aide des scripts de suppression du crâne fournis et générez des embeddings d'images avec Swin UNETR.
3
Configurez vos chemins de données dans un fichier TOML et exécutez les scripts d'entraînement ou de prédiction du référentiel.
Franchement

Notre verdict honnête

Ses atouts

  • Méthodologie évaluée par des pairs publiée dans Nature Medicine basée sur 9 cohortes distinctes
  • Comprend du code modulaire pour l'extraction de caractéristiques d'imagerie et l'entraînement de transformateurs
  • Prend en charge les configurations d'entrée multimodales ainsi que les modes de secours sans imagerie
  • Fournit une démo Huggingface interactive et accessible pour des tests en temps réel

Ses limites

  • Nécessite une configuration technique importante incluant les dépendances Python, PyTorch, MONAI et TorchIO
  • Exige des capacités matérielles multi-GPU pour l'entraînement de l'extracteur de caractéristiques d'imagerie et du réseau de base du transformateur
  • Nécessite des fichiers de configuration TOML précis pour formater correctement les caractéristiques numériques, catégorielles et d'imagerie
Coût

Tarifs & licence

L'outil est gratuit sous sa licence open source, et une démo interactive est hébergée sur Huggingface, ce qui signifie que le seul coût financier est l'exploitation de votre propre matériel et de votre infrastructure de calcul.

Travail rémunéré

Missions pour francophones

877 missions ouvertes à distance en entraînement d’IA, mises à jour le 16 novembre 2026 ; la plupart paient $20–$175 de l’heure. 8 d’entre elles demandent des francophones. Zekai les liste gratuitement ; la candidature se fait sur la plateforme de l’employeur.

Voir tous les postes ouverts →
Comparer

Alternatives

🎁 Alternatives libres & open source

Ces outils IA évalués font le même travail instantanément — depuis notre annuaire noté.

Pour aller plus loin

Utilisez-le, ou laissez-nous l'installer

📄 PDF gratuit : nmed2024 pour Médecine
Un guide simple pour obtenir votre premier résultat. Envoyé dans votre boîte mail.
🔔 64 personnes veulent un tutoriel vidéo complet — ajoutez votre vote
🛠 Pas envie de l'installer vous-même ?
Nous installons, hébergeons et configurons nmed2024 pour vous — et formons votre équipe.
Confiez-nous l'installation ↗
Questions

FAQ

Quelles modalités de données le modèle prend-il en charge ?

Le modèle prend en charge les données démographiques, les antécédents médicaux, les tests neurologiques, les examens physiques et les examens IRM à séquences multiples.

Comment puis-je tester le modèle sans l'installer localement ?

Vous pouvez utiliser la démo interactive de l'espace Huggingface hébergée par les auteurs pour explorer les prédictions du modèle en temps réel.

Puis-je exécuter le modèle sans examens IRM ?

Oui, vous pouvez entraîner et exécuter le modèle sans imagerie en utilisant la configuration du drapeau NonImg.

Radar

Dernières actus IA

✉️ La boîte à outils gratuite hebdo
Les meilleurs nouveaux outils libres & open source pour Médecine — un court e-mail par semaine, dans votre langue.
Gratuit · 1 e-mail/semaine · désabonnement à tout moment
Soyez payé pour entraîner l’IA →

Voir Zekai en premier dans Google