基于人工智能的猴痘检测器(AICOM-MP):适用于资源匮乏环境
本文开发了一个“猴痘皮肤病变数据集”,并使用多种预训练深度学习模型对猴痘及其他疾病进行分类,最终实现了一个在线筛查工具。虽然初步结果有所希望,但需要更大样本的数据集以进一步提高模型的泛化能力。
Jul, 2022
本研究采用多个基于CNN的预训练模型(包括VGG-16,VGG-19,Restnet50,Inception-V3,Densnet,Xception,MobileNetV2,Alexnet和Lenet)对猴痘、水痘、麻疹和其他疾病进行分类,得出了它们之间的区别,以便更早地发现新冠疫情之后引起的猴痘病例,填补医疗保健专业人员对这种罕见疾病的认识的空白。
Jan, 2023
本文提出了一种新颖的基于机器教学、整合了DICOM标准SR注释的人工智能模型服务,以及将其集成到开源的LibreHealth放射学信息系统(RIS)中。此平台利用主动学习策略,使得放射学家与模型之间可以建立合作关系,并且运用群集学习方法,实现了共享有多个用户的用户特定模型权重的目标。
Mar, 2023
本文研究采用深度学习技术基于皮损图像检测猴痘病毒,通过构建数据集,选择最合适的卷积神经网络并进行优化和量化,在移动设备上实现检测,以期在低收入国家等医疗基础设施薄弱的地区提高病毒的早期筛查率。
May, 2023
此篇论文介绍了一个基于人工智能的开源项目,即把疾病诊断和筛查功能应用于价格合理的手机,解决普及不良地区因医疗资源匮乏带来的医疗健康问题,从而对全球健康事业做出贡献。
Jun, 2023
通过开发一种名为Fast-MpoxNet的超快超轻网络,结合关注点特征融合模块和多辅助损失增强策略以优化模型能力,使用迁移学习和五折交叉验证,实现了94.26%的准确率和0.80的实用性分数,在猴痘早期病情诊断方面达到93.65%的召回率,并开发了一个名为Mpox-AISM V2的应用系统,能够在不同实际环境下为公众和个人提供准确而实时的诊断。
Aug, 2023
通过对皮肤病变图像进行深度学习方法的自动检测,本文调查了猴痘的诊断,包括深度卷积神经网络、深度卷积神经网络集成、深度混合学习、新开发的视觉变换器。此外,本文还介绍了基准数据集的收集、预处理技术和评估度量。该调查还简要介绍了新兴概念,指出了研究空白、限制和应用,并概述了诊断过程中的挑战。这项调查提供了对深度学习研究的有价值的见解,预计将为研究人员提供一个路径。
Nov, 2023
人工智能应用于疫情管理和医学图像的识别、分类和诊断方面显示出潜力。针对猴痘(Mpox)全球爆发,HeHealth.ai团队利用现有工具开发了一种借助人工智能方法通过数字筛查对于患有症状的猴痘进行筛查的测试。
Apr, 2024
介绍了一个名为MpoxSLDNet(Monkeypox Skin Lesion Detector Network)的卷积神经网络模型,用于早期检测和分类数字图像中的天花病毒皮损和非天花病毒皮损,并相比传统预训练模型如VGG16、ResNet50和DenseNet121在性能指标上提供了卓越的表现,同时对存储空间的需求也显著减少,从而在资源受限的医疗环境中提出了实用的解决方案。
May, 2024
本研究针对非洲资源有限的环境中缺乏有效Mpox诊断能力的问题,开发并验证了一种基于人工智能的离线筛查工具。该模型在多个数据集上表现出高达96%的准确率,能够显著提升Mpox的监测和管理效率,尤其是在缺乏传统诊断基础设施的地区。
Sep, 2024