Aug, 2022

AI 辅助提升胸部放射照片早期肺癌检测的效率：多读者研究

PDF
TL;DR本研究评估了商业可用的可解释的 AI 算法在增强临床医生识别胸部 X 光片上的肺癌的能力方面的影响。研究结果表明，使用 AI 算法可以提高肺癌的检测性能，减少漏诊，促进健康公平。
explainable ai algorithmlung cancer detectionchest x-raysclinician performancehealth equity
发现论文，激发创造
  • 透明且临床可解释的肺癌在胸部 X 光片中的 AI 检测

    通过引入临床概念到分类过程中，我们提出了一种基于概念瓶颈模型的预处理方法，改善了肺癌检测的分类性能（F1＞0.9），同时生成比现有技术更可靠、临床相关的解释，解决了现有后期 XAI 技术在医疗数据上解释能力较差的问题。

    Mar, 2024

  • 人工智能正常胸部 X 光诊断方案的稳健性

    通过对多个病人和环境子组的性能比较，以及与人工专家制定的地面实况标签的比较，本研究评估了一种人工智能解决方案对正常胸部 X 射线诊断的稳健性。

    Aug, 2022

  • 深度学习能够可靠地识别胸部 X 光异常模式吗？一项多读者研究检查 AI 在日常放射学临床实践中一个月的实施

    该研究基于深度学习开发了自动检测算法，可在胸部 X 光上检测和定位七种特定的放射学发现，这种算法在辅助 junior 和 intermediate 放射科医师判断的准确性上有潜在的医疗应用价值。

    May, 2023

  • COVID-19 胸部 X 光筛查的 AI 辅助诊断：从数据收集到临床验证

    该研究使用基于人工智能的深度学习方法，通过胸部 X 射线图像诊断 Covid-19 肺炎，并对相关工具的准确性和时间效率进行临床验证。

    May, 2024

  • 肺健康中的人工智能：在多个 CT 扫描数据集上对检测和诊断模型进行基准测试

    肺癌早期检测对降低高死亡率具有重要作用，而人工智能在诊断成像方面的应用日益重要。该研究利用 Duke Lung Cancer Screening Dataset (DLCSD) 开发和验证了 DLCSD-mD 和 LUNA16-mD 模型，这些模型在多个数据集上表现出色，为肺癌基于影像的诊断性能建立了基准。

    May, 2024

  • 利用卷积神经网络解释胸部 X 射线，利用分层疾病依赖性和不确定标签

    该研究提出了一种基于深度卷积神经网络的监督式多标签分类框架，用于预测 14 种常见胸部疾病的风险，同时针对常见胸透数据集中不确定样本占据的显著比例，提出了标签平滑技术。在超过 200k 的数据集上训练，该模型在 5 项病理学的验证集中实现了 0.940 的平均 AUC 分数，表现高于独立测试集中的其他三位医学专家，该方法在 CheXpert 排行榜上排名第一。

    Nov, 2019

  • 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

  • 应用人工智能技术与螺旋 CT 扫描结合的早期肺癌筛查分析

    中国肺癌的发病率和致死率居于所有恶性肿瘤之首，早期肺癌的诊断对患者预后的改善具有重要意义。近年来，人工智能技术在肿瘤学领域逐渐得到应用，特别是在肺癌筛查和早期诊断方面发展迅速。然而，目前关于人工智能技术结合 SCT 扫描进行早期肺癌诊断的研究还很少。本研究旨在应用结合方法于早期肺癌筛查，以找到一种安全高效的筛查模式，并为临床诊断和治疗提供参考。

    Jan, 2024

  • 通过对比学习提升自动胸部 X 射线诊断的公平性

    应用监督对比学习可以减轻胸部 X 射线诊断中的偏见，解决深度学习诊断方法中的公平性和可靠性问题。

    Jan, 2024

  • 基于对抗训练的鲁棒可解释性胸部 X 射线 COVID-19 诊断

    通过 21 个卷积神经网络模型在多样化的 33,000 + 胸部 X 射线图像上进行训练和评估，我们的研究旨在解决人工智能在 COVID-19 检测中的可解释性和鲁棒性问题，通过对抗训练提高了模型的鲁棒性，并生成了与专业放射科医生发现相一致的突出热力图。

    Nov, 2023