Jan, 2024

机器学习在创伤性脑损伤诊断和预后中的应用：以轻度脑损伤和 CT 成像为焦点

PDF
TL;DR创伤性脑损伤（TBI）是一个全球公共卫生挑战，对医疗系统造成巨大负担，诊断和预测 TBI 依赖于临床和影像数据以及机器学习和深度学习技术的应用。这篇综述聚焦于应用机器学习和深度学习技术解决轻度 TBI 的诊断问题，探索了不同技术在不同严重程度的 TBI 中的应用，并强调了机器学习和深度学习在轻度 TBI 诊断方面的潜力。
traumatic brain injurymachine learningdeep learningdiagnosisprognosis
发现论文，激发创造
  • 使用 3D CT 的剩余三元卷积神经网络增强轻度脑损伤诊断

    使用三维计算机断层扫描图像和基于度量学习技术的残余三元组卷积神经网络模型提高轻度创伤性脑损伤（mTBI）的诊断，通过嵌入特征空间将 CT 扫描者区分为 mTBI 病例和正常者，并实现 94.3% 的平均准确率、94.1% 的灵敏度和 95.2% 的特异度，并相较于传统的残余卷积神经网络模型，在诊断准确性上有显著提升，同时需要更少的内存资源，提高了资源利用率。

    Nov, 2023

  • 深度学习方法在脑 CT 上识别急性缺血性卒中病变的研究

    研究使用深度学习（DL）技术，设计基于计算机断层扫描（CT）的 DL 算法，从非严格研究协议中收集的 CT 脑部扫描数据中检测急性缺血性中风（AIS）病变，并分类受影响的脑部侧边。通过探索 AIS 病变特征、背景脑部外观和时间对 DL 性能的影响，最佳 DL 方法对病变存在和侧边分类达到了 72％的准确率，对大尺寸病变（80％准确率）和多发病变（87％二个病变、100％三个或以上病变的准确率）检测效果更好。

    Sep, 2023

  • 基于 3D CNN 的 sMRI 和 MD-DTI 图像分类，用于阿尔茨海默病研究

    本文研究了自动分类方法的主要趋势，探讨了卷积神经网络和 MRI 在海马区 ROI 上融合的痴呆症诊断算法，以及通过数据增强来平衡不同大小的类别对分类结果的影响。

    Jan, 2018

  • 可解释的三维多模态残差卷积神经网络用于轻度创伤性脑损伤诊断

    通过在 Mild Traumatic Brain Injury (mTBI) 诊断模型中增加解释性的 3D 多模态残差卷积神经网络（MRCNN）和屏蔽敏感图（OSM），我们展示了该模型在 mTBI 诊断中的出色表现，平均准确度为 82.4%，敏感度为 82.6%，特异度为 81.6%，并经过五折交叉验证过程验证。与基于 CT 的残差卷积神经网络（RCNN）模型相比，MRCNN 在特异度方面提高了 4.4%，在准确度方面提高了 9.0%。研究结果表明，OSM 相比 Grad-CAM 方法，提供了更好的 CT 图像的数据驱动洞察力，凸显了该多模态模型在提高 mTBI 诊断精确度方面的功效。

    Sep, 2023

  • 创伤性脑损伤研究的综合文本和图像数据集

    该研究介绍了一种名为 TBI-IT 的医学领域创伤性脑损伤的新数据集，该数据集包括电子病历和头部 CT 图像，并旨在通过提取关键内容和将图像数据进行分类注释来增强人工智能在 TBI 的诊断和治疗中的准确性。该数据集旨在成为图像分割任务和实体命名识别中的特征学习基础数据集。

    Mar, 2024

  • 利用深度学习识别脑 CT 图像上的出血和梗死病灶

    通过深度学习算法识别头部非对比增强 CT 扫描中的颅内出血和梗死，为日常医疗工作流程引入广泛的医疗设施提供了潜力和限制。

    Jul, 2023

  • 面向临床辅助基于成像的生物医学应用的多模态机器学习

    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

  • 多模神经网络检测脑肿瘤

    本研究论文通过使用人工智能和深度学习技术对磁共振成像进行灰度图像处理，评估了一种多模态模型用于脑肿瘤分类的性能，结果显示准确率约为 98%，同时强调了解释性和透明度的重要性以确保人类控制和安全。

    Jan, 2024

  • MRI 深入研究：探索 0.55T 和 7T MRI 的深度学习应用

    磁共振成像（MRI）在医学影像学的发展为诊断提供了一个安全、非侵入性替代技术，尤其是 0.55T 和 7T MRI 技术结合了深度学习方法，改善了图像细节和组织特征，对这些技术的改进和完善具有很高的潜力。

    Jul, 2024

  • 基于神经影像生物标志物的阿尔茨海默病早期预测的人工智能研究述评

    通过 AI 技术应用于神经影像数据，潜在改善早期阿尔茨海默病的诊断、预后及管理。解决数据标准化、模型可解释性、泛化性、临床整合和道德考虑等挑战对于实现 AI 在阿尔茨海默病研究和临床实践中的完全潜力至关重要。研究者、临床医生和监管机构的合作努力是为了开发可靠、稳健和道德的 AI 工具，造福于阿尔茨海默病患者和社会所必需的。

    Jun, 2024