Jan, 2022

数字医疗信息融合的数据协调：一项最新系统综述、Meta 分析和未来研究方向

PDF
TL;DR本文系统总结了数字医疗领域中多模态数据的计算数据协调方法，涵盖了不同理论基础的协调策略和评估指标，并提出了全面的检查清单以指导研究人员更有效地报告其研究发现；其次，提出了可能的方法论和度量选择流程；最后，本文探讨了不同方法的局限性和未来研究的方向。
multicentre datadigital healthcaredata harmonisationevaluation metricsmethodology selection
发现论文，激发创造
  • 基于人工智能的电子健康记录和影像数据融合方法

    这篇综述研究了使用人工智能技术将多模式医疗数据进行融合，以开发不同临床应用的 AI 方法。通过对 34 个相关研究进行数据提取和分析，发现多模式融合模型在诊断和预测疾病等临床应用方面显著优于单一模式模型。

    Oct, 2022

  • 医疗保健中多模态机器学习方法综述

    综述了在医疗保健领域中的多模态机器学习方法，包括使用各种数据模态进行临床诊断、融合技术、多模态数据集和训练策略的评估。

    Feb, 2024

  • 深度多模态融合图像和非图像数据在疾病诊断与预后中的应用：综述

    这篇论文综述如何运用多模态深度学习技术提取和汇总多模态信息，以实现更客观、定量化的计算机辅助临床决策，并探讨了其在疾病诊断和预后中的应用、性能表现、挑战和未来发展方向。

    Mar, 2022

  • 医学图像协调性基准化的定量度量

    图像协调是处理医学图像中不同机器和扫描协议引起的领域转变的重要预处理策略。然而，由于缺乏广泛可用的标准数据集和基准，评估协调技术的有效性一直是一个挑战。在这个背景下，我们提出了三个指标：两个用于图像强度协调的指标和一个用于维持解剖结构的指标，无需基准。通过在一个具有可用协调基准的数据集上进行广泛研究，我们证明了我们的指标与已建立的图像质量评估指标相关。我们展示了这些新型指标如何应用于没有协调基准的实际情况，并提供了对度量值不同解释的见解，从而揭示了在协调过程中它们的重要性。根据我们的发现，我们倡导采用这些定量协调指标作为评估图像协调技术性能的标准。

    Feb, 2024

  • 电子健康记录的多模态分析上的对比学习

    该研究提出了一种新颖的多模态特征嵌入生成模型，并设计了一种多模态对比损失函数，通过联合分析结构化和非结构化数据的两种重要模态来捕获患者的完整病历，从而实现多模态电子健康记录特征表示学习并保护隐私。模拟研究结果表明，所提出的算法适用于多种配置，并且进一步验证了该算法在真实世界电子健康记录数据中的临床应用。

    Mar, 2024

  • 医疗应用集成多模态人工智能框架

    本研究提出并评估了一种综合人工智能在医学领域的框架（HAIM），以促进利用多模态输入实现人工智能系统的生成和测试，该框架可在医疗保健环境中进行研究和部署，并通过使用 Shapley 值量化每个模态和数据源的贡献，展示了多模态输入在不同医疗任务中的必要性。

    Feb, 2022

  • 非成像医学数据综合用于可信 AI 的全面调查

    这篇论文旨在综述数据合成算法特别是针对非成像医疗数据的应用，并提供详细的算法、评估、限制和未来研究方向等综合性描述，以提高医疗人工智能的数据质量和可靠性。

    Sep, 2022

  • 医疗信息学的联邦学习

    通过联邦学习机制，能够保持本地机构中的敏感数据，同时在中央服务器上培训共享全球模型，从而改进卫生保健数据的隐私保护和数据分析，以解决医疗卫生数据碎片化和保密性问题。

    Nov, 2019

  • 医疗领域联邦学习的最新方法论进展

    使用分布式学习方法探索医疗数据的挑战和方法，评估当前方法的系统问题并提出改进建议。

    Oct, 2023

  • 医学病理预测：系统综述和提出的方法

    本文分析和研究了使用最新技术（如大数据、人工智能、机器学习和深度学习）改善医疗保健的不同方法，提出了基于收集、预处理和聚类医疗数据的一般方法，以在可观的时间范围内预测最常见的病理。

    Apr, 2023