基于自监督表示学习和多图像预测的 COVID-19 预后
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
利用人工智能从胸部放射影像中预测 COVID-19 病情结果是当前对抗 COVID-19 大流行的一个重要科学目标。本研究提出了一种新的多数据集多任务训练框架,通过整合来自不同来源、与常规多任务学习方法不同的相关数据集,预测 COVID-19 胸部 X 光片的预后结果,该框架假设评估严重程度有助于模型对预后严重程度组进行分类,从而提高其鲁棒性和预测能力。通过对 18 种不同的卷积神经网络骨干进行不同的评估策略,在预后分类任务中显著改进了性能,这是显而易见的,相比于单一任务基准和标准迁移学习策略,在广泛的统计分析支持下,显示出巨大的应用潜力。
May, 2024
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
本研究提出了一种基于自我监督预测编码和多模态融合的按小时预测死亡率和升压药需要的方法,并通过广泛的实验证明了该方法在远期预测方面的显着性能提高。
Oct, 2022
通过深度学习和图像处理,研究提出了一种多类别分类方法来增加胸部疾病的诊断精确性,通过与多个经过预训练的迁移学习模型进行比较,该方法在 COVID-19、肺结核和肺炎的诊断上表现出了高准确度。
Oct, 2023
本文提出了一种使用多实例学习和数据增强相结合的方法,能够自动准确地对 COVID-19 进行严重程度评估,并在 229 例 COVID-19 病例的 CT 图像上进行了评估,结果表明其平均准确率达到 95.8%,优于以前的研究。
Feb, 2021
通过结合大规模预训练图像编码器、风险特定的 Grad-CAM 技术以及解剖区域检测技术,我们提出了一种可解释的深度生存预测模型,该模型特别针对 COVID-19 前景进行改进,使用胸部 X 射线(CXR)图像来提高对疾病的理解和信任。我们的模型通过风险区域定位提供了预测结果的更清晰和透明度,使临床医生能够在对预后洞察力有更好理解的情况下做出知情决策,从而改善了 COVID-19 诊断的解释性。在多中心生存数据集上评估所提出的方法,并通过定量和定性评估证明了其有效性,达到了优越的 C 指数(0.764 和 0.727)和时间相关的 AUC(0.799 和 0.691)。这些结果表明,我们的可解释的深度生存预测模型在风险预测方面超越了传统的生存分析方法,提高了临床决策的可解释性并增强了 AI 系统的可信度。
May, 2024
在重症监护室内,包括临床测量和临床笔记在内的丰富患者数据可供利用,但其分析也面临许多挑战。本研究提出了一种新颖的方法,利用自我监督预训练来解决深度学习模型在重症监护中的标注数据不足问题,并在数据有限的情况下,在院内死亡预测和表型预测等下游任务中优于基线模型,突显其提升重症监护室数据分析能力。
Dec, 2023
本文研究了使用迁移学习的方法,通过根据 VGG-16 和 VGG-19 的经典体系结构进行分类器块与超参数调整,以自动检测胸部 X 光图像中的 COVID-19。实验结果展示了迁移学习在医学成像领域中的实用性,不仅可以防止过拟合和收敛问题,还可以获得最优的分类性能。
Apr, 2023