医学影像的自动化机器学习系统
机器学习在医疗人工智能系统中的应用,从传统和统计方法转向深度学习模型甚至最近的生成模型。近年来,发现了支持多模态数据集成的广泛可用的深度学习架构,尤其是针对图像的。将多种模态融入到这些模型中是一个蓬勃发展的研究课题,提出了独特的挑战。本文讨论了针对医学基于图像的临床决策支持模型的多模态人工智能的五大挑战(表示、融合、对齐、翻译和协同学习),并调查了近期解决这些挑战的方法。我们最后讨论了该领域的未来,并提出了在成功的临床模型及其在临床环境中的转化方面应进一步阐明的方向。
Nov, 2023
医学领域中的人工智能技术发挥着越来越重要的作用,特别是在医学成像领域,通过生成式人工智能可以增强图像质量并提高医学诊断和患者护理水平。
Mar, 2024
本文提出了一种新的自动化机器学习算法 T-AutoML,它不仅可以搜索最佳神经结构,而且可以同时找到最佳超参数和数据增强策略。该方法利用现代 transformer 模型适应搜索空间嵌入的动态长度并在多个大规模公共病变分割数据集上达到了最先进的性能。
Nov, 2021
概述了近年来机器学习在医学图像处理和分析领域的应用,特别关注深度学习在 MRI 中的应用,以及为对这个领域感兴趣的人提供好的教育资源、最先进的开源代码和有趣的数据来源及相关问题。
Nov, 2018
发展和应用以患者为导向的系统中,机器学习作为一种有前途的技术能够预测心血管疾病,本研究使用自动化机器学习和三个场景探索了检测心血管疾病的有效性,结果显示自动化机器学习模型的结构不仅取决于基本模型的效率和准确性,还取决于数据的预处理技术,尤其是数据标准化。
Aug, 2023
本文综述了深度学习在医学成像领域的应用,阐述了医学成像的特点、临床需求和技术挑战,描述了深度学习是如何应对这些问题的,其中包括网络结构、稀疏和噪音标签、联邦学习、可解释性、不确定性量化等内容。此外也介绍了常见的数字病理学和胸部、脑部、心血管和腹部成像等几个临床案例,最后展望了未来研究的方向。
Aug, 2020
通过快速处理能力,检测易被忽视的隐藏模式使得机器学习 (Machine Learning, ML) 在今天的医疗系统中不可或缺。本研究的目标是在不同医疗领域简洁有效地收集 ML 应用,并以表格形式提供相关参考文献和描述,以便立即获取必要信息。我们将研究分为五个主要组别:社区层面工作、风险管理 / 预防护理、医疗运营管理、远程护理和早期检测。我们的目标是向人们介绍机器学习在医疗行业的适用性,缩小临床医生对机器学习应用的知识差距,并推动医疗专业人员更多地基于机器学习的医疗系统。
Jul, 2023
本文总结和回顾了过去五年来针对深度学习在医学图像分析领域中面临着的挑战和问题进行的一系列研究和尝试,强调了半监督和无监督深度学习在医学图像分析领域的最新进展和贡献,并讨论了未来研究的可能解决方案和技术挑战。
May, 2021