本研究旨在将深度神经进化算法（DNE）应用于来自不同机构的图像数据集中，以解决人工智能在放射学中的过度拟合和泛化问题，并应用于分类磁共振成像中的神经母细胞瘤脑转移。结果表明，该算法在虚拟的汇总图像数据集上取得了接近完美的分类准确性，为实现临床可行的人工智能提供了重要的贡献。

Nov, 2022

本文提出了一种基于深度学习的神经退行性疾病影像生成方法，使用支持向量回归器捕捉疾病进展伴随的局部强度变化模式，并利用对抗训练生成保持个体大脑形态的 MRI 影像。

Jul, 2019

在这项研究中，我们采用 DNE 方法训练了一个简单的卷积神经网络 (CNN)，用于眼部 MRI 图像的二分类，目的是区分正常眼睛和转移性肿瘤 (称为脉络膜转移)。通过应用这些模型到测试集，我们建立了一种用于不确定性量化的集成方法，发现主观特征能解释不确定性较高的图像，凸显了不确定性量化在基于 AI 的放射学分析中的重要性。

Apr, 2024

本研究使用深度神经进化法训练卷积神经网络，通过功能性连接判别人脑肿瘤类型 (HGG/LGG)，在仅使用 30 个邻接矩阵进行训练的情况下，取得了理想的测试集准确性，并发现网络学到了高度复杂的特征。

Nov, 2022

使用深度学习架构 CDRP 并结合高通量转录组数据进行诊断和预测，优于临床算法对于神经母细胞瘤的预后，为正确的肿瘤治疗策略提供了重要的分析依据。

Nov, 2017

这篇研究提出了一种新的几何学学习方法，通过结合拓扑空间转移、ODE-RGRU 和轨迹估计来建模长期的磁共振成像生物标记物和认知评分，并开发了一种训练算法，将流形映射与单调性约束相结合，以反映测量转换的不可逆性。通过在规则和不规则环境下预测临床标签和认知评分的时间，验证了所提出方法的有效性，并通过消融研究对该框架进行了全面分析。

Oct, 2023

使用机器学习和多模态磁共振成像研究揭示了神经精神和神经退行性疾病中的疾病多样性，通过识别疾病亚型，发现了不同脑表型特征之间的显著差异。在本综述中，首先对使用机器学习和多模态磁共振成像解析神经精神和神经退行性疾病多样性的研究进行了系统文献综述，包括阿尔茨海默病、精神分裂症、抑郁症、孤独症谱系障碍、多发性硬化症以及它们在转诊诊断中的潜力。随后，总结了相关的机器学习方法，并讨论了被称为 “维度性神经影像内部表型” 的新兴范式。维度性神经影像内部表型通过将神经精神和神经退行性疾病的神经生物多样性解剖为一个低维度但信息丰富、量化的脑表型表示，作为一种反映潜在遗传学和病因学的鲁棒性中介表型（内部表型）。最后，讨论了当前研究结果的潜在临床意义并展望了未来的研究方向。

Jan, 2024

该研究使用 “帕金森病进展标志倡议” 数据集，开发了一个 3DCNN + LSTM 模型，通过分析磁共振成像数据来识别帕金森病的进展阶段，并取得了具有最先进结果的 91.90％的分类准确率。

Dec, 2023

利用深度学习辅助数字病理学有潜力在临床实践中产生重大影响，但深度神经网络 (DNN) 的解释性不足成为制约其临床解释性的主要问题。研究旨在通过一种新方法来研究 DNN 的预测特征长度尺度，从而更好地评估 DNN 在解释数字显微镜图像中的特征使用。研究使用脑转移为例，突出了 DNN 在 H&E 染色组织切片图像上预测脑转移的注意力定位层次，有助于了解 DNN 的预测能力和其最佳学习要求。

Jun, 2024

为解决发展中国家乳腺癌诊断的延误和患者生存率的不平等问题，本研究开发了一种基于深度学习的转移性乳腺癌诊断系统，具有高诊断准确性和计算效率，能够适应资源匮乏的医疗设施。

Aug, 2023