Jan, 2024

利用肝脏 CT 扫描在结直肠癌基因突变分类中的应用

PDF
TL;DR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。
livermetastasiscolon-rectal cancerartificial intelligencegenomics mutation diagnosis
发现论文，激发创造
  • 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

  • 基于分类的自适应分割流水线：多囊肝和结直肠癌 CT 图像转移的可行性研究

    通过使用深度学习分类器将图像自动分类并将其路由到适当的分割模型，本研究旨在探索构建一个工作流的可行性，以高效地处理不同病理图像。我们希望通过我们的工作流能够准确地分割具有不同病理学的图像。我们的自适应分割工作流在总肝脏分割任务上与通用单一分割模型相比取得了显著的统计改进（非参数 Wilcoxon 符号秩检验，n=100，p 值 <<0.001）。这种方法适用于广泛的情景，并在分割流水线的临床实施中应该是有用的。

    May, 2024

  • 临床记录中的转移瘤检测的参数高效方法

    此研究的目标是通过三种方法自动检测自由样式计算机断层扫描（CT）放射学报告中的转移性肝病，我们的研究表明，使用泛化语言模型、半监督学习和多任务转移学习方法可以提高模型的性能。

    Oct, 2023

  • 肝部 CT 扫描中超高性能病变检测和虚假阳性去除的级联方法

    开发了一个二阶段的肝癌检测管道，其中高灵敏度探测算法在第一阶段发现尽可能多的病变提议，而第二阶段的病变重新分类算法则尽可能删除尽可能多的虚警。

    Jun, 2023

  • 有限数据访问情境下的深度学习结肠癌检测研究

    该研究使用基于深度学习的模型探讨了在组织分类问题中，通过利用组织之间的结构特征解决数据不足的问题。研究进一步表明，借助少量或无淋巴节点数据，利用原始肿瘤组织或通过 Cycle-GANs 变换的乳腺癌数据训练的模型可以用于发现其他器官的癌症细胞扩散情况。

    May, 2020

  • 融合低剂量 CT 为基础的放射组学和代谢组学用于早期肺癌筛查支持

    通过机器学习技术应用于低剂量计算机断层扫描辐射学和代谢组学，本研究开发了一种方法来识别肺实质内的潜在恶性肿瘤病变，以支持肺癌筛查。

    Sep, 2023

  • 基于机器学习的肺部和结肠癌检测：深度特征提取和集成学习

    本研究利用深度学习和机器学习技术设计了一个混合集成特征提取模型，用于高效自动识别肺癌和结肠癌，模型在肺癌、结肠癌和肺癌与结肠癌的数据集上的准确率分别达到 99.05%、100% 和 99.30%。

    Jun, 2022

  • 半监督的 ViT 知识蒸馏网络与风格转移归一化用于结直肠肝转移生存预测

    我们提出了一个自动预测肠癌患者结直肠癌肝转移的病理预后的端到端方法，利用 H&E 和 HPS 染色的组织学切片；我们使用生成对抗网络对切片进行标准化，采用半监督模型进行组织分类，使用注意力机制加权不同区域进行分类，训练预后模型并在 258 名患者上进行了评估，结果证明我们的方法在预测生存和治疗时间反应方面具有优越性，可推动精准医学在管理结直肠癌肝转移患者中的进展。

    Nov, 2023

  • CT 影像中基于像素 - 病灶 - 患者网络的肝肿瘤筛查和诊断

    提出了一种名为 Pixel-Lesion-pAtient Network (PLAN) 的新型框架来解决肝脏肿瘤的筛查、分割和分类问题，同时利用大规模多相数据集进行测试，结果表明其优于常见的卷积神经网络和 transformers，并接近于资深人类放射科医生的表现。

    Jul, 2023

  • 探索可解释人工智能技术以提高肺癌和结肠癌分类的可解释性

    利用深度学习方法对肺癌和结肠癌进行组织学图像分类，取得了 97% 至 99% 的准确率，并通过注意力可视化技术提高了恶性和良性图像分类的解释性和理解。

    May, 2024