May, 2023

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

PDF
TL;DR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。
deep learningautomatic detection algorithmchest x-raysradiological findingsdecision support system
发现论文，激发创造
  • 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

    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。

    Aug, 2022

  • 使用深度学习算法在全科医生工作流程中，自主报告正常胸部 X 光片的 NHS 信托实际表现

    本研究使用深度学习算法开发了一款支持 X 光诊断决策的软件，其在对医学影像诊断中表现出较低的错误率和高度的自动化诊断能力，可用于自动报告一部分 X 光片为正常筛查结果。

    Jun, 2023

  • 基于多模型深度学习方法的自动胸片报告生成器

    通过利用多个二元分类模型，将放射学异常检测限制在心脏肥大、肺积液和实变方面，我们提出了一种基于多模型深度学习的自动胸部 X 射线报告生成系统，旨在辅助放射科医生的工作，通过图像预处理、使用深度学习模型检测异常、生成报告三个步骤来生成一份放射学报告，从而降低放射科医生的工作负担并提高胸部 X 射线诊断的准确性。

    Sep, 2023

  • 胸部 X 光分析的深度学习：一份调查

    本文回顾了使用深度学习对胸部 X 射线摄影进行分析的所有研究，并对图像级预测（分类和回归）、分割、定位、图像生成和领域自适应的工作进行了分类。同时详细介绍了商业应用，并提供了关于现有技术水平和未来潜在方向的全面讨论。

    Mar, 2021

  • 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

  • 基于图像深度学习的胸部 X 射线亚临床动脉粥样硬化的检测

    通过基于深度学习的系统在普通胸部 X 线上识别亚临床动脉硬化，开发了一个预测冠状动脉钙化分数的深度学习算法，在内、外部验证中表现出良好的诊断准确性和预测动脉粥样硬化心血管疾病事件的负预测价值。

    Mar, 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

  • 深入探讨自动肺部 X 光异常检测系统

    在当前情况下，对于传染病具有潜在大流行风险，因此需要一种廉价和早期的检测系统。通过使用 DenseNet、MobileNet 和 VGG16 等三个不同的现有模型，本研究发现在黑白图像中模型过拟合，因此构建了新的方法 V-BreathNet，可以达到超过 96% 的准确率。

    Apr, 2024

  • 使用密集卷积神经网络对胸部 X 光影像进行多标签分类的研究

    本项目提出了一种基于 DenseNet 和 GRADCAM 的多标签胸透疾病诊断模型，能够在 X 线图像中准确检测出多种胸部病理，并实现了深度学习算法的模型可解释性。

    Feb, 2022

  • 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