Aug, 2023

前列腺年龄差异（PAG）：一种前列腺癌检测的 MRI 年龄代表性标记

PDF
TL;DR通过利用前列腺磁共振成像扫描以及其与临床相关的前列腺癌进行联系，本研究评估并获得了 Prostate Age Gap（PAG）作为一种用于评估临床相关前列腺癌风险的磁共振成像标记工具。
prostate cancermri-based risk calculatorsprostate age gapcspc riskpredictive value
发现论文，激发创造
  • 计算机多参数 MR 图像分析用于前列腺癌侵袭性评估

    本论文提出了一种基于 T2 加权磁共振成像、弥散加权成像和表观弥散系数图像（ADC）的病灶和周围正常前列腺组织的全面分析的自动检测侵袭性前列腺癌的方法，并根据 1464 个定量成像特征中的 44 个具有区分性的预测因子，得到了 0.73 的 ROC 曲线下面积。

    Dec, 2016

  • 通过改进多模态大型语言模型应用临床指南进行前列腺癌 PI-RADS 评分

    本论文提出了一种新的方法，利用多模态大型语言模型（MLLM）在不需要额外注释和网络参数的情况下将临床指南（PICG）融入 PI-RADS 评分，通过两阶段微调过程，将 MLLM 从自然图像训练转移到 MRI 数据领域，并有效地集成 PICG。实验结果表明，我们的方法改进了当前评分网络的性能。

    May, 2024

  • 基于可变元数据的前列腺病变检测的分离条件对比学习

    通过结合多参数磁共振成像、前列腺成像报告与数据系统以及对比损失函数，提高了公开 PI-CAI 挑战数据集上的病变检测的 AUC 值。

    Aug, 2023

  • 基于纹理特征分析的 mpMRI 早期前列腺癌分类

    磁共振成像（MRI）是诊断和分期前列腺癌的关键工具，但也产生了大量数据，必须由经过训练的专家评估，这是一项耗时且繁琐的任务。因此，已经开发了基于多种 MRI 模态（T2W、ADC 和高 b 值 DWI）的前列腺癌（PCa）风险分类自动化的机器学习工具。然而，理解和解释模型的预测仍然是一个挑战。本研究分析了随机森林（RF）和支持向量机（SVM）在两个互补数据集上的表现，即公共 Prostate-X 数据集和一个内部的大部分为早期 PCa 的数据集，以阐明一阶统计特征、Haralick 纹理特征和局部二进制模式对分类的贡献。通过相关性分析和 Shapley 影响力得分，我们发现许多通常使用的特征之间存在强相关性，并且大多数特征对分类几乎没有影响。我们确定了一小组决定分类结果的特征，这可能有助于开发可解释的 AI 方法。

    Jun, 2024

  • 利用深度学习从原始成像数据预测大脑年龄，得出可靠的遗传生物标志 / 生物标志物

    使用深度学习和卷积神经网络方法，预测健康人群的大脑年龄，并建立其作为大脑衰老过程个体差异性的生物标志物的资格，该预测模型的结果证明了其在灰质或白质参数地图上的预测准确度极高，具有高度的可靠性和遗传学效度，可用于评估大脑老化的生物标志物，并且可以在原始数据上准确生成预测，实现在临床现场获得大脑健康信息。

    Dec, 2016

  • 论 MRI 前列腺癌检测中错误传播的模块化系统评估实践再思考

    磁共振成像在前列腺癌（PCa）检测中已成为关键组成部分，人工智能系统可以通过对临床显著（csPCa）和非临床显著（ncsPCa）的病变进行分割和分类来支持放射学评估。本研究通过比较两种具有异质性能的分割网络（s1 和 s2）对检测阶段的影响，并将其与理想情况（s1: 89.90+-2.23 csPCa, P<.001, 89.30+-4.07 和 88.12+-2.71 ncsPCa, P<.001）进行对比，评估了不同分割网络在前列腺癌检测中的效果。结果显示了对系统中涉及的所有子模块进行整体评估的重要性。

    Sep, 2023

  • 利用回归模型和 MRI 特征实现强韧的脑龄预测

    本文介绍了一种使用机器学习模型和开放的健康大脑数据集（OpenBHB dataset）的新的脑龄评估框架，该框架整合了三种不同的 MRI 衍生区域特征和不同的回归模型，可高度精确地评估脑龄，对于认识神经学疾病和与年龄相关的大脑变化具有重要意义。

    Jun, 2023

  • 基于 PPG 数据的深度不平衡回归估计血管年龄：一种用于心血管健康的新颖数字生物标记

    通过深度学习评估血管衰老表现的 Photoplethysmography (PPG) 成为监测人体血液动力学的关键工具，本文在实证研究中介绍了名为 Dist Loss 的新型简单有效的损失函数，以解决深度不平衡回归任务的挑战，并在大规模的 UK 生物银行数据集上训练了一维卷积神经网络（Net1D），使用 PPG 信号估计血管年龄，验证了其在刻画心血管健康方面的功效，结果表明预测的血管年龄能够显著反映个体的心血管健康状况。

    Jun, 2024

  • Mini-DDSM: 基于乳腺 X 线照片的自动年龄估计

    本文旨在从哺乳动物图像中推导出基于人工智能的模型，以此来测试年龄估计能力。通过使用网络爬虫来自 DDMS 数据库自动下载缩略图像和对应的年龄指标，提取深度学习特征，使用随机森林回归自动估计年龄。最终成功通过逻辑和线性回归模型的运行，以及推导出免费使用的迷你 - ddsm 数据集来验证这一方法的优越性。

    Oct, 2020

  • AI 年龄差异：肾脏肿瘤患者脆弱性评估的新参数

    介绍了一种新的指标 AI Age Discrepancy，通过对术前腹部 CT 扫描的机器学习分析得出，作为评估肾癌患者脆弱性和术后风险的潜在指标。这项回顾性研究发现，较高的 AI Age Discrepancy 与较长的住院时间和较低的总体生存率显著相关，独立于已确立的因素。这表明 AI Age Discrepancy 可能为评估患者脆弱性提供有价值的信息，并在肾癌治疗的临床决策中发挥作用。

    Jun, 2024