Jun, 2023

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

    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。

    May, 2023

  • 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

  • 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

  • 利用位置感知稠密网络学习识别胸部 X 光异常

    本文介绍了一种基于位置感知的 Dense Networks（DNetLoc）的方法，结合高分辨率图像数据和异常的空间信息进行异常分类，并利用最大的公开数据集对其进行了评估。我们在 ChestX-Ray14 基准数据集上实现了最佳平均 AUC 分数，并在明确使用病理位置信息时取得了改进的 AUC 分数。

    Mar, 2018

  • 使用深度学习模型对比评估数字和模拟胸部 X 射线图像以识别结核病

    比较数字式和模拟式胸部 X 光片上基于深度学习的设备在识别结核病放射学征象方面的性能，并评估了三种手机在正确识别放射学征象方面的差异。

    Jul, 2023

  • 利用卷积神经网络解释胸部 X 射线，利用分层疾病依赖性和不确定标签

    该研究提出了一种基于深度卷积神经网络的监督式多标签分类框架，用于预测 14 种常见胸部疾病的风险，同时针对常见胸透数据集中不确定样本占据的显著比例，提出了标签平滑技术。在超过 200k 的数据集上训练，该模型在 5 项病理学的验证集中实现了 0.940 的平均 AUC 分数，表现高于独立测试集中的其他三位医学专家，该方法在 CheXpert 排行榜上排名第一。

    Nov, 2019

  • 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

  • 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

  • 利用层次疾病依赖和不确定标签通过 CNN 解释胸部 X 光片

    利用深度卷积神经网络（CNNs）构建了一个多标签分类框架，能够准确检测 14 种常见胸部疾病和病灶的存在，通过对 UGCXR 数据集的训练，该模型取得了目前最高的 AUC 分数 0.940， 平均优于独立评审组中的 2.6 位放射科医生，表现优于目前 CheXpert 测试集上的其他分类器。

    May, 2020