心脏病学中的深度学习
本文综述了 100 余篇使用深度学习方法进行心脏图像分割的文献,包括磁共振成像、计算机断层扫描和超声成像等常见成像模态和感兴趣的主要解剖结构(心室、心房和血管)。此外,还总结了公开可用的心脏图像数据集和代码库,并对当前深度学习方法的挑战和局限性(标注不足、模型泛化能力、可解释性)进行了讨论,并提出了未来研究的潜在方向。
Nov, 2019
基于自监督对比学习的深度学习模型通过学习心脏核磁共振扫描伴随的放射学报告的原始文本中的视觉概念,展示了对人类心血管疾病和健康的全面评估;我们的模型在美国的四个大型学术临床机构的数据上训练和评估,并在英国 BioBank 和其他两个公开可用的外部数据集上展示了卓越的性能,实现了包括左心室射血分数回归和 35 种不同病症(如心脏淀粉样变及肥厚型心肌病)的诊断等一系列任务,显示出对人类心血管疾病的复杂性的理解能力,并在仅需要一部分通常用于这种任务的训练数据的情况下,实现了令人印象深刻的临床级诊断准确率。
Dec, 2023
本文针对 2010 年至 2020 年间应用深度学习模型于心电图 (ECG) 数据的文献进行系统性总结,发现各种深度学习体系结构已被用于心电图分析任务,包括疾病检测 / 分类、标注 / 定位、睡眠分期、生物度量人类识别和去噪等,其中融合卷积神经网络和循环神经网络专家特征的混合体系结构表现最佳。同时,也指出了存在的挑战和问题,诸如可解释性、可扩展性和效率等方面,提出了未来可能的研究方向。
Dec, 2019
本文总结和回顾了过去五年来针对深度学习在医学图像分析领域中面临着的挑战和问题进行的一系列研究和尝试,强调了半监督和无监督深度学习在医学图像分析领域的最新进展和贡献,并讨论了未来研究的可能解决方案和技术挑战。
May, 2021
本文回顾和分析了过去十年来电子病历存储数字化信息的激增,以及深度学习技术在医疗信息学上的应用。同时,作者也讨论了目前技术的不足之处,提出了 EHR 基于深度学习未来的研究方向。
Jun, 2017
本研究呈现了我们在建立、训练和提供心脏疾病检测的深度学习云服务 CardioLearn 上的工作,该服务可提供公共服务方案,解决了传统 ECG 疾病检测模型存在的诊断率误差高的限制,我们也设计了一个便携式智能硬件设备及与之交互的移动程序,可以随时随地检测潜在的心脏疾病。
Jul, 2020
通过深入研究深度学习模型在医疗解决方案中的部署,本研究旨在探讨在医疗系统中使用的深度学习方法,包括前沿的网络设计、应用和市场趋势,以及当前未解决的问题和潜在方向。
Oct, 2023