Jove
Visualize
Contáctanos

Videos de Conceptos Relacionados

Multicompartment Models: Overview01:14

Multicompartment Models: Overview

252
Multicompartment models are mathematical constructs that depict how drugs are distributed and eliminated within the body. They segment the body into several compartments, symbolizing various physiological or anatomical areas connected through drug transfer processes such as absorption, metabolism, distribution, and elimination.
These models offer a more comprehensive representation of drug behavior in the body than one-compartment models. They accommodate the complexity of drug distribution,...
252

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Sequential Deep Learning to Predict Non-Central to Central Geographic Atrophy Progression from OCT Imaging.

medRxiv : the preprint server for health sciences·2026
Same author

Explicit Inclusion of Diabetes Mellitus Without Retinopathy Within Diabetic Retinopathy Prediction.

Translational vision science & technology·2026
Same author

Deep transfer learning for detection of placenta-mediated diseases from ultrasound images.

Scientific reports·2026
Same author

Summary of Research: Aflibercept 8 mg versus Faricimab Treat‑and‑Extend for Diabetic Macular Edema or Neovascular Age‑Related Macular Degeneration: A Bayesian Fixed‑Effect Network Meta‑analysis of Clinical Trials.

Ophthalmology and therapy·2026
Same author

Multi-OCT-SelfNet: integrating self-supervised learning with multi-source data fusion for enhanced multi-class retinal disease classification.

Frontiers in systems biology·2026
Same author

Semaglutide and Neovascular Age-Related Macular Degeneration Among Adults with Type 2 Diabetes: An OHDSI Network Study.

Ophthalmology·2026
Same journal

A human-specific genetic modifier reconfigures large-scale cortical network dynamics underlying behavioral performance.

bioRxiv : the preprint server for biology·2026
Same journal

<i>Staphylococcus aureus</i> uses a eukaryotic-like uridyltransferase to make UDP-GlcNAc for cell wall synthesis.

bioRxiv : the preprint server for biology·2026
Same journal

Dynamic redistribution of eIF4F controls cap-dependent translation initiation.

bioRxiv : the preprint server for biology·2026
Same journal

When does additional information improve accuracy of RNA secondary structure prediction?

bioRxiv : the preprint server for biology·2026
Same journal

Normative brain-state trajectories reveal deviation from healthy aging in Alzheimer's disease.

bioRxiv : the preprint server for biology·2026
Same journal

Noradrenergic infraslow rhythm during sleep is the critical link between heart-rate dynamics and memory consolidation.

bioRxiv : the preprint server for biology·2026
Ver todos los artículos relacionados
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Video Experimental Relacionado

Updated: Sep 8, 2025

Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment
08:25

Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment

Published on: May 7, 2019

9.1K

Los modelos de lenguaje de visión compactos permiten un análisis automatizado e interpretable de los PTU a través del

Tania Haghighi1, Sina Gholami1, Jared Todd Sokol2

  • 1Department of Electrical and Computer Engineering, University of North Carolina at Charlotte, Charlotte, NC 28223, USA.

bioRxiv : the preprint server for biology
|August 20, 2025
PubMed
Resumen
Este resumen es generado por máquina.

Desarrollamos LO-VLM, un eficiente modelo de IA para interpretar escáneres OCT B, para generar narrativas clínicas precisas y clasificar enfermedades de la retina. Este modelo de lenguaje visual supera significativamente a los métodos existentes tanto en la generación de resúmenes como en la precisión del diagnóstico.

Más Videos Relacionados

Constructing and Visualizing Models using Mime-based Machine-learning Framework
06:19

Constructing and Visualizing Models using Mime-based Machine-learning Framework

Published on: July 22, 2025

603
Author Spotlight: Insights into Visual Cortex Research Through Wide-View fMRI Mapping
07:11

Author Spotlight: Insights into Visual Cortex Research Through Wide-View fMRI Mapping

Published on: December 8, 2023

1.9K

Videos de Experimentos Relacionados

Last Updated: Sep 8, 2025

Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment
08:25

Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment

Published on: May 7, 2019

9.1K
Constructing and Visualizing Models using Mime-based Machine-learning Framework
06:19

Constructing and Visualizing Models using Mime-based Machine-learning Framework

Published on: July 22, 2025

603
Author Spotlight: Insights into Visual Cortex Research Through Wide-View fMRI Mapping
07:11

Author Spotlight: Insights into Visual Cortex Research Through Wide-View fMRI Mapping

Published on: December 8, 2023

1.9K

Área de la Ciencia:

  • Oftalmología
  • Inteligencia artificial
  • Imágenes médicas

Sus antecedentes:

  • La interpretación de las exploraciones B de la Tomografía de Coherencia Óptica (OCT) para enfermedades de la retina requiere una IA que combine datos visuales con conocimientos médicos.
  • Los modelos de IA existentes luchan por traducir con precisión las características de las imágenes OCT en narrativas clínicas.

Objetivo del estudio:

  • Introducir LO-VLM, un nuevo y compacto modelo de lenguaje visual (VLM) diseñado para la interpretación de escáneres B de los PTU.
  • Mejorar la generación de resúmenes en forma libre y la clasificación de enfermedades multiclases de las afecciones de la retina.

Principales métodos:

  • Curated un conjunto de datos multimodal de 40.000 OCT B-escaneos con resúmenes validados por expertos para seis condiciones.
  • Desarrollado LO-VLM, un VLM de parámetro 247M que incorpora guía anatómica en su codificador y descodificador.
  • Se comparó el LO-VLM con el RetinaVLM, el LLaVA-Med y un modelo ViT.

Principales resultados:

  • Los relatos LO-VLM recibieron puntuaciones significativamente más altas (8.5/10) de los especialistas en retina en comparación con RetinaVLM (5.5/10).
  • Se obtuvieron métricas cuantitativas superiores: 0.803 de similitud SBERT y 0.715 de puntuación BERTScore F1.
  • Alcanzó un 96% de precisión en la clasificación de enfermedades, superando a ViT en un 13% y a los VLM médicos en más de un 62%.

Conclusiones:

  • LO-VLM ofrece un nuevo paradigma para una IA eficiente e interpretable en el análisis de los PTU.
  • El modelo demuestra un rendimiento superior tanto en la generación de relatos clínicos como en la clasificación de enfermedades de la retina.
  • LO-VLM concilia la eficiencia computacional con una alta precisión para la interpretación de los PTU.