Apr, 2023

基于深度学习的肺癌风险因素人工智能预测

PDF
TL;DR本研究旨在利用深度学习方法（卷积神经网络）开发一个能够高度准确地检测肺癌的模型，并比较其准确率和损失值。研究结果表明，该模型能够在现实世界中使用，对于肺癌的早期检测十分重要，鳞状细胞癌、正常细胞癌、腺癌和大细胞癌是最重要的风险因素。
lung cancerearly detectiondeep learningconvolution neural networkrisk factors
发现论文，激发创造
  • 基于 CNN 的 CT 扫描图像肺癌诊断

    本文提出基于卷积神经网络的深度学习模型框架，利用 CT 扫描图像进行肺癌的早期检测，该模型表现优于传统方法，准确率达到 92%，AUC 为 98.21%，召回率为 91.72%，损失为 0.328。

    Apr, 2023

  • 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

  • 利用深度学习对图像中的偏导信号进行控制：肺癌生存预测

    通过深度学习与结构因果模型的结合，可以实现针对肺癌患者的无偏个体预后预测。

    Apr, 2019

  • 评估 LeNet 算法在伊拉克肿瘤教学医院 / 国家癌症疾病中心的肺癌分类中的应用

    使用 LeNet 和卷积神经网络在公开数据集上进行的肺肿瘤检测实验中，成功率为 99.51％，敏感性为 93％，特异性为 95％，并且与现有方法相比得到了更好的结果。

    May, 2023

  • 基于视觉变换器和可解释人工智能的 CoVid-19 检测

    通过视觉转换器技术的端到端框架，提出了一种用于肺部疾病诊断的方法，其中涵盖了数据增强、模型训练和评估等步骤。在 Covid 19 放射学数据库等数据集上测试和评估了一种专门的紧凑型卷积转换器模型，该模型在训练和验证阶段均取得了更好的准确性。

    Jul, 2023

  • 利用薄层 CT 扫描预测肺癌中的高风险因素：一种增强注意力的图卷积网络方法

    通过引入注意力增强的图卷积网络模型 (AE-GCN)，我们的研究旨在基于术前 CT 图像对 I 期肺癌是否存在高风险因素进行分类，从而帮助外科医生在手术前确定最佳手术方法。该方法采用 Graph Convolutional Network 模型捕捉肺结节的空间特征，通过将每个切片视为图中的一个顶点，将切片之间的内在空间关系表示为边缘，以提高结节特征表达，同时结合通道和空间注意机制与预训练的 VGG 模型，适应性地提取肺结节特征。最后，我们使用医院收集的真实数据证明了所提出方法的有效性，强调其在临床实践中的潜在应用价值。

    Aug, 2023

  • 利用 VGG16 算法对 CT 扫描图像中的肺癌进行分类

    研究开发了基于 VGG16 深度学习算法的肺部结节诊断与分类方法，能够准确地识别良性、恶性和健康患者的癌症医学影像，灵敏度为 92.08％，准确度为 91％，AUC 达 93％，有助于肺癌早期诊断。

    May, 2023

  • 深度学习用于肺癌检测：解决 Kaggle 数据科学比赛 2017 挑战

    本文针对肺癌的计算机辅助诊断问题，提出了一个多阶段的深度学习框架，通过 3D 肺部 CAT 扫描检测肺结节，判断恶性程度并计算癌症概率，参加 Kaggle Data Science Bowl 2017 竞赛并取得了第 41 名的好成绩。

    May, 2017

  • 探索可解释人工智能技术以提高肺癌和结肠癌分类的可解释性

    利用深度学习方法对肺癌和结肠癌进行组织学图像分类，取得了 97% 至 99% 的准确率，并通过注意力可视化技术提高了恶性和良性图像分类的解释性和理解。

    May, 2024

  • 一种用于 COVID-19 诊断的卷积神经网络模型设计

    使用 19 层 CNN 网络结构对 COVID-19 在胸部 X 光图像中的识别进行了研究，实验结果表明该方法优于现有的方法，可作为临床医生正确判断 COVID-19 的工具。

    Nov, 2023