AAAIApr, 2019

利用深度学习对图像中的偏导信号进行控制：肺癌生存预测

PDF
TL;DR通过深度学习与结构因果模型的结合，可以实现针对肺癌患者的无偏个体预后预测。
deep learningcausal inferencemedical imageslung cancersprognosis
发现论文，激发创造
  • 基于深度学习的肺癌风险因素人工智能预测

    本研究旨在利用深度学习方法（卷积神经网络）开发一个能够高度准确地检测肺癌的模型，并比较其准确率和损失值。研究结果表明，该模型能够在现实世界中使用，对于肺癌的早期检测十分重要，鳞状细胞癌、正常细胞癌、腺癌和大细胞癌是最重要的风险因素。

    Apr, 2023

  • 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

  • 利用组织病理学图像基于深度学习的多种癌症生存预测

    通过开发深度学习系统，在多种癌症类型中利用组织病理图像预测疾病特异性生存，为癌症治疗和监测提供重要的预后信息。

    Dec, 2019

  • 基于贝叶斯网络和深度学习的癌症影像诊断改进：一种贝叶斯深度学习方法

    利用人工智能和机器学习的理论和算法，本研究探讨深度学习和贝叶斯网络预测模型在癌症诊断中的应用，构建了一种结合两者优势并最小化弱点的贝叶斯深度学习模型，并分析了该方法在医疗领域图像分类中的应用和准确性。

    Mar, 2024

  • 基于 CNN 的 CT 扫描图像肺癌诊断

    本文提出基于卷积神经网络的深度学习模型框架，利用 CT 扫描图像进行肺癌的早期检测，该模型表现优于传统方法，准确率达到 92%，AUC 为 98.21%，召回率为 91.72%，损失为 0.328。

    Apr, 2023

  • 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

  • 探索可解释人工智能技术以提高肺癌和结肠癌分类的可解释性

    利用深度学习方法对肺癌和结肠癌进行组织学图像分类，取得了 97% 至 99% 的准确率，并通过注意力可视化技术提高了恶性和良性图像分类的解释性和理解。

    May, 2024

  • 利用医疗影像中的因果信号：一个带有实证结果的试点研究

    我们提出了一种新方法，通过利用场景中的弱因果信号来模拟图像中一个特征对另一个特征的影响，实现自动分类医学图像。我们的方法由两个组成部分组成：卷积神经网络骨干和因果因子提取模块。后者根据其对图像场景的因果影响计算特征图的权重，以增强每个特征图。我们可以通过使用两个外部信号来修改因果模块的功能，从而获得我们方法的不同变体。我们在一个公共的前列腺 MRI 图像数据集上评估了我们的方法，用于前列腺癌诊断，包括定量实验、定性评估和消融研究。我们的结果表明，我们的方法改进了分类性能，并产生更可靠的预测，重点关注图像的相关部分。这在医学成像中尤为重要，准确可靠的分类对于有效的诊断和治疗规划至关重要。

    Sep, 2023

  • 面向模型校准的任务特定正则化损失用于可靠的肺癌检测

    我们提出了一种新的任务特定损失函数来校准神经网络，以减少过于自信的错误，并结合多分类置信度和准确性（MDCA）损失函数，通过进行温度缩放的后校准，实现期望校准错误（ECE）的提升 5.98% 和最大校准错误（MCE）的提升 17.9%，相较于最佳性能 SOTA 算法。

    Jan, 2024

  • 评估 LeNet 算法在伊拉克肿瘤教学医院 / 国家癌症疾病中心的肺癌分类中的应用

    使用 LeNet 和卷积神经网络在公开数据集上进行的肺肿瘤检测实验中，成功率为 99.51％，敏感性为 93％，特异性为 95％，并且与现有方法相比得到了更好的结果。

    May, 2023