Jul, 2016

使用深度学习和胸部 CT 放射学特征进行自动化 5 年死亡率预测

PDF
TL;DR通过胸部计算机断层扫描和分割多种解剖结构的地图，提出使用分类器预测老年人 5 年死亡率的新方法。所提出的模型可在预防和个性化医疗方面产生深远影响。
发现论文，激发创造
  • 基于深度学习的 CT 肺部筛查中类似放射科医生的癌症风险评估

    该研究旨在比较深度学习模型与自动算法以及放射科医师的表现，以及评估该算法在异质数据集中的稳健性，结果显示深度学习模型在肺癌筛查方面表现出色，并且具有良好的泛化性，在肺癌恶性评估中比普遍接受的模型表现更好，在肺癌筛查比赛中的表现也优于其他 state-of-the-art 算法。

    Apr, 2018

  • 个性化肾细胞癌预后的多模态深度学习：CT 影像与临床数据的整合

    通过结合 CT 成像和临床数据，该研究旨在设计一个全面的深度学习模型，能够预测肾细胞癌患者的存活概率，解决之前研究中存在的局限性，以便识别需要紧急治疗的患者。

    Jul, 2023

  • 基于多模型深度学习方法的自动胸片报告生成器

    通过利用多个二元分类模型，将放射学异常检测限制在心脏肥大、肺积液和实变方面，我们提出了一种基于多模型深度学习的自动胸部 X 射线报告生成系统，旨在辅助放射科医生的工作，通过图像预处理、使用深度学习模型检测异常、生成报告三个步骤来生成一份放射学报告，从而降低放射科医生的工作负担并提高胸部 X 射线诊断的准确性。

    Sep, 2023

  • 使用胸部 CT 扫描的集成深度学习方法进行 COVID-19 严重性预测

    利用深度学习的集成模型和强大的测试时间数据增强技术，从胸部 CT 扫描中预测 COVID-19 的严重程度，并在 STOIC2021 COVID-19 AI Challenge 中获得第四名。

    May, 2023

  • 利用大型胸部 X 光数据集进行年龄预测

    本文应用深度学习技术，以胸部 X 光片为数据集，采用回归模型对人的年龄进行预测，并探索了激活图以识别影响预测的重要区域，发现在正确预测的 X 光片中，在锁骨、肩膀、脊柱和纵膈部等部位最活跃，在异常预测的 X 光片中则可能出现疾病模式，可以用于评估患者健康状况与其年龄预期平均值之间的差距。

    Mar, 2019

  • 基于自监督表示学习和多图像预测的 COVID-19 预后

    本文使用 self-supervised 学习方法（即 MoCo 方法）实现了以胸部 X 光为基础的 COVID-19 患者恶化预测模型，包括不良事件恶化和氧需求增加两种类型，并提出了可处理多图像序列的新型 Transformer-based 架构，在 96 小时内，模型准确预测了患者的恶化和死亡情况。

    Jan, 2021

  • 基于计算机断层扫描血管造影和临床数据的肺栓塞死亡率预测

    通过使用 CTPA 成像、临床数据和 PE 严重指数（PESI）评分来预测 PE 的死亡率，研究采用深度学习模型来预测 PE 的死亡率，并将疾病相关的成像特征和 / 或临床变量纳入 DL 模型中进行预测，结果表明多组学 DL 模型在 PE 存活预测中的 c-index 值明显高于仅使用 PESI 指数的模型。

    Jun, 2024

  • 自动化 COVID-19 存在与严重程度分类

    利用计算机断层扫描技术，通过采用集成学习策略（包括迁移学习和预训练 ResNet34 和 DenseNet121）和 COVID-19 特定的预处理，结合医疗信息（感染 - 肺比率、患者年龄和性别等），该方法实现了对 COVID-19 感染的检测和预测，AUC 分别为 83.7％和 79.0％，其成果可与目前在该领域中存在的其他方法进行比较。

    May, 2023

  • 自我监督预训练方法比较：基于胸部射线图像的疾病风险预测

    本文针对医疗影像任务，通过对自我监督和半监督学习等多种方式进行比较，研究发现半监督自编码器在预测胸部 X 光成像下的死亡风险方面具有更好的性能。

    Jun, 2023

  • 利用放射学报告的深度表示进行生存分析，预测心衰患者死亡率

    本文提出一种使用 BERT 为基础的隐藏层的临床文本协变量来预测患者的生存状况的方法，并证明其在预测方面比预定义特征更加准确，并且在 C-index 和时间依赖的 AUC 方面优于之前的模型。

    May, 2021