在 COVID-19 大流行期间，特别是在像印度这样的低收入和中等收入国家，失明和其他眼科疾病成为全球关注的健康问题。因此，我们提出了一种基于人工智能的质量评估系统，该系统能够模拟临床医生的判断，并在患者拍摄的图像上进行测试，以解决用户捕捉图像质量不佳且需要医生审核和延误的问题。在这个背景下，我们层次化地解决了这个复杂问题的一个重要部分，并展示了概念的证明。

Feb, 2024

本文介绍了一个旨在发展使用 AI 系统实时标记和解释医学图像低质量的系统，以及旨在了解使用 AI 系统利益相关者的解释需求和纵向用户研究设计，以研究 XAI 方法对端用户的影响的方法。

Jul, 2022

本文提出了困扰全球 30 亿人的皮肤科医疗问题，探讨了如何在多样化皮肤色调和非常见病例的图像中应用人工智能技术，并发现当前的皮肤科 AI 算法存在严重的算法偏差，导致对较暗的肤色和非常见疾病的正确率远低于轻皮肤色调和常见疾病，并进一步探讨了训练皮肤科 AI 模型所使用的基于视觉的人工标签的缺陷与局限性。

Mar, 2022

通过使用临床多样性数据和虚拟生成的医学影像，开发和评估了基于深度学习人工智能模型进行新冠病毒 COVID-19 诊断的人工智能模型，并进行了相关影像试验以评估疾病程度、辐射剂量和影像模态等因素对人工智能性能的影响。研究突出了数据集特征和疾病程度对 COVID 评估的重要影响，以及虚拟影像试验技术在开发有效的人工智能算法评估和促进诊断实践转化中的相关性和潜在作用。

Aug, 2023

本文提出了一种深度强化学习模型，该模型根据预估吞吐量智能地调整感兴趣区域的大小和非感兴趣区域的质量，用以降低视频传输时的延迟，通过延迟和结构相似性指数的比较发现，该模型能够将延迟减少 13% 并保持整体质量在可接受范围内，从而为远程医疗应用带来有价值的改进。

Oct, 2023

通过与皮肤科医生在一个具有多个不同医院和摄像机配置、罕见黑素瘤亚型和特殊解剖部位的异质测试集上进行比较，我们评估了 “全数据扩展”（ADAE）算法在黑素瘤检测中的诊断准确性，并提高了算法的泛化能力。与皮肤科医生相比，AI 在异质数据集上表现出更高的平衡准确度和敏感度，但牺牲了特异性。因此，AI 在诊断复杂情况时可能有潜力支持皮肤科医生。

Jan, 2024

结合 Struts 和 Hibernate 两种架构，使用 DAO（数据访问对象）来存储和访问数据。建立了一套适用于深度网络的双模湿度医学图像库，并提出了一种基于图像的双模医学图像辅助诊断方法。该方法在各种特征提取方法的测试中，最佳工作特性下曲线积分（AUROC）为 0.9985，召回率为 0.9814，准确率为 0.9833。这种方法可以应用于临床诊断，是一种实用的方法。通过系统，每个门诊医生可以快速注册或登录平台进行图像上传，从而获得更准确的图像。图像的分割可以指导临床科室中的医生，然后分析图像以确定肿瘤的位置和性质，从而进行有针对性的治疗。

Apr, 2024

本文评估了医疗成像和分析技术在 COVID-19 中的作用，并介绍了最新的人工智能 (AI) 技术，如 AI - 强化的图像采集和精准的感染区分，以支持医疗专家进行有效的决策和治疗。本文还着重于探讨如何整合 AI 技术，优化常见的 X 射线和计算机断层扫描 (CT) 等临床工具，从而更好地抗击 COVID-19。

Apr, 2020

通过图像分析开发深度学习模型诊断皮肤病变的激增值得注意，然而它们在临床黑脸挑战方面存在限制：限定的诊断输出数量、对罕见皮肤病变缺乏实际世界测试、无法检测越界图像以及过度依赖显微镜图像。为了解决这些问题，我们提出了一种全能的 HOT 模型（Hierarchical-Out of Distribution-Clinical Triage），对于临床图像，我们的模型生成三个输出：层次预测、越界图像警报以及在临床图像不足以进行诊断时对显微镜图像的推荐。当进行推荐时，它将同时整合临床和显微镜图像以进行最终诊断。针对代表性的皮肤病变数据集进行的大量实验证明了我们框架内每个组件的有效性和协同作用。我们多功能的模型为病变诊断提供有价值的决策支持，并为医学 AI 应用设定了一个有前景的先例。

Nov, 2023

本研究通过在预训练和微调阶段采用不同的策略，结合知识库和相似提示来构建诊断报告，取得了在全球人工智能技术创新大赛医学影像诊断报告生成赛道中的第一名成绩。

Jul, 2024