Nov, 2022

一个面向医疗保健领域的深度学习开源框架

PDF
TL;DR介绍了一个名为 MONAI 的 PyTorch 框架，用于医疗领域的深度学习应用，特别关注医学成像数据的处理，可提供特定于目的的 AI 模型架构、转换和实用程序，以简化医疗 AI 模型的开发和部署。
artificial intelligencehealthcaredeep learningpytorchmedical imaging
发现论文，激发创造
  • 医学影像生成人工智能：扩展 MONAI 框架

    最近在生成 AI 方面取得的突破已经在多个领域，包括医学成像方面，取得了令人难以置信的进展。我们提出了 MONAI 生成模型，这是一个开放源代码的平台，可以帮助研究人员和开发人员轻松训练、评估和部署生成模型及相关应用。

    Jul, 2023

  • 智能路由规则与工作流管理的 AI 算法部署整合与实施策略

    通过评估医疗行业中人工智能解决方案的普及挑战，本文侧重于医学成像中的计算机视觉应用及其如何通过互操作性和企业级可扩展性来解决这些挑战。

    Nov, 2023

  • 医疗物联网的可解释人工智能框架

    通过结合医学人工智能和可解释人工智能技术，提出了一种自定义的可解释人工智能框架，应用于人工智能医疗物联网领域，以提高医疗系统的效果，并具备透明和可理解的决策能力。将该框架应用于脑肿瘤检测用例中，得出了准确透明的诊断结果，并且评估结果表明了其出色的性能，实现了高精确度、召回率和 F1 分数，训练准确率达到 99%，验证准确率达到 98%。这种结合高级可解释人工智能技术和基于集成的深度学习方法的框架能够实现精确可靠的脑肿瘤诊断作为医学物联网应用的一种。

    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

  • 医学影像 AI 研发的一体化平台，涵盖数据采集、筛选、标注和预处理

    通过建立医学影像平台，利用收集的来自亚洲的医学影像数据，解决数据不平衡的问题，提供医学人工智能研发所需的数据并合并区块链技术用于数据安全。

    Mar, 2024

  • 医学图像中的可解释人工智能：一项调查

    本研究旨在分析 XAI 在医学诊断研究中应用的最新研究，对多种不同疾病（如癌症和 COVID-19）的机器学习结果进行解释，以实现想要的评估。

    May, 2023

  • 基于深度学习的医学图像分析中的可解释人工智能（XAI）

    本文调查了可解释人工智能 (XAI) 在基于深度学习的医学图像分析中的应用，提出了一个 XAI 标准框架来分类这些基于深度学习的方法，根据解释方法和解释结构将应用于医学图像分析中的 XAI 技术进行了分类，并按解剖位置进行了整理，并给出了未来在医学图像分析中 XAI 的机会的展望。

    Jul, 2021

  • M3H：面向医疗保健的多模态多任务机器学习

    AI 在医疗领域取得的最新突破有望从根本上提升我们对医疗的研究和理解。在这项工作中，我们介绍了 M3H 框架，它是一个可解释的多模态多任务医疗机器学习框架，能够从不同的多模态输入中学习，适用于各种医疗任务和机器学习问题类别，同时提供了有关任务相互依赖性动态的解释洞察。

    Apr, 2024

  • TemporAI：为医学中的时间域任务促进机器学习创新

    TemporAI 是一个开源的 Python 软件库，专注于医疗保健，支持时间序列，静态和事件模态的数据分析，提供预测、因果推断和事件时间分析的接口，以及常见预处理工具和模型可解释性方法。该库旨在通过提供标准化的时间设置工具包来促进医学机器学习领域的创新，为模型开发、原型设计和基准测试提供支持，并弥合了机器学习研究、医疗保健专业人士、医疗 / 药物工业和数据科学社区之间的差距。TemporAI 可在 GitHub（此网址）获得，我们欢迎社区通过使用、反馈和代码贡献来参与支持。

    Jan, 2023

  • 构建医学领域可解释的 AI 系统需要什么？

    本篇论文介绍了医学领域中解释性人工智能的研究，强调让人们能够透明地理解和信任 AI/ML 技术的重要性，主要关注于图像、* 组学数据和文本三个方面。

    Dec, 2017