Jul, 2023

基于机器学习的结肠组织分类：声学分辨光声显微镜

PDF
TL;DR探究利用声学分辨光声显微镜（ARPAM）机器学习方法对结直肠组织进行良恶性分类以提高诊断效率和降低患者痛苦的研究。
colorectal cancerdiagnostic methodsmachine learningphotoacoustic microscopytissue classification
发现论文，激发创造
  • 基于视觉触觉感知与置信校准神经网络的可靠结肠癌息肉分类

    本研究提出了一种置信度校准的残差神经网络用于结直肠癌息肉分类，该模型采用了新颖的基于视觉的触觉传感系统和独特的结直肠癌息肉幻影，并通过温度缩放后处理方法解决过于自信的输出问题。通过引入噪声和模糊处理检验模型可靠性，结果显示模型有效地处理了非理想输入。

    Apr, 2023

  • 使用 Er:YAG 激光进行消融期间，利用声波进行组织分类的深度学习方法（更新）

    通过分析激光消融期间产生的声波，我们提出了一种组织分类方法，并在体外实验中证明了其适用性，最终确定将时间相关数据与其频谱相结合的方法可以实现最高的分类准确性（65.5%-75.5%）。

    Jun, 2024

  • 具有模型解释能力的肝转移 AI 辅助病灶检测框架

    该研究提出了一种结合人工智能系统的诊断方法，该方法可以协助医生评估 CRC 的转移，并通过模型的可解释性提供模型推理的解释。

    Jul, 2019

  • 一项基于计算机视觉挑战的深度学习息肉检测和分割方法通用性评估

    本研究使用机器学习技术对多中心和多人群结肠镜图像中出现的息肉进行检测和分割，并分析了表现最好的团队的结果，发现准确性高于即时性能，并提出了需要提高模型泛化性来应对多中心数据集中的多样性的观点。

    Feb, 2022

  • 结直肠癌组织学切片多任务学习的组织分割和肿瘤检测

    使用 U-Net 多任务模型结合颜色和统计学增 & 测试时增强，来实现对组织分割和肿瘤检测的自动化，以期解决由于公共数据集稀缺和图像变异导致的困难。在 CRC 检测（SemiCOL）2023 挑战上，该方法在被部分标注的数据集上取得了.8655 的 Dice 分数（Arm 1）和.8515 的 Dice 分数（Arm 2）用于组织分割，并在肿瘤检测方面分别达到了.9725（Arm 1）和.9750（Arm 2）的 AUROC 值。

    Apr, 2023

  • 基于人工智能的组织病理学图像癌症检测和分类：系统综述

    本研究通过系统文献综述，总结了癌症诊断的最新技术，关注了人工智能及其在自动癌症诊断方面的发展，总结了相关文献，并对其局限性提出了新的研究方向。

    Jan, 2022

  • 在数据量不足的情况下提取结直肠组织的局部纹理特征用于分类

    通过知识蒸馏将局部纹理信息从少量组织样本中提取出来，以改善标准 CNN 特征，并在低数据情况下实现了改进的分类性能。

    Jan, 2024

  • 结直肠癌筛查的人工智能展望

    利用血液标记物和人工智能技术进行非侵入性的风险评估，通过检查现有的医疗实践来推动结直肠癌筛查的变革。

    Sep, 2022

  • 基于 H&E 染色图像的临床信息启发的多实例学习框架用于患者级别结直肠癌分子亚型分类的研究

    通过使用深度神经网络（DNN）和多示例学习技术（MIL），结合临床先验知识，构建了一个名为 “CIMIL-CRC” 的模型，用于鉴别结直肠癌的亚型，结果显示其在区分不同亚型及患者级别分类方面表现优异。

    Jan, 2024

  • 利用肝脏 CT 扫描在结直肠癌基因突变分类中的应用

    该研究使用人工智能分析计算机断层扫描（CT 扫描）图像，并提出了一种基于深度学习的方法，以准确识别结直肠癌患者肝脏远处转移所涉及的突变和基因组突变诊断，其 F1 评分为 0.73。

    Jan, 2024