Feb, 2024

利用可解释机器学习方法基于标准血液检测结果和吸烟状况进行肺癌的肺病医生级别检测

PDF
TL;DR通过丹麦地区 2009 年至 2018 年的肺癌疑似患者数据，利用动态集成选择的机器学习模型，在标准血样分析和吸烟史数据基础上，成功实现肺癌的早期检测，表现优于肺病学家，关键因素包括吸烟状况、年龄、总钙水平、中性粒细胞计数和乳酸脱氢酶。
lung cancermachine learningdynamic ensemble selectionblood sample analysissmoking history
发现论文，激发创造
  • 使用梯度提升方法开发和外部验证的肺癌风险评估工具

    通过机器学习工具，结合肺癌风险因素和临床数据，本研究旨在提供一个估计五年内肺癌发生可能性的自由可用网络应用，以促进早期发现和预防策略，降低肺癌相关死亡率。

    Aug, 2023

  • 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

  • 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

  • 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

  • 肺健康中的人工智能：在多个 CT 扫描数据集上对检测和诊断模型进行基准测试

    肺癌早期检测对降低高死亡率具有重要作用，而人工智能在诊断成像方面的应用日益重要。该研究利用 Duke Lung Cancer Screening Dataset (DLCSD) 开发和验证了 DLCSD-mD 和 LUNA16-mD 模型，这些模型在多个数据集上表现出色，为肺癌基于影像的诊断性能建立了基准。

    May, 2024

  • 基于 CNN 的 CT 扫描图像肺癌诊断

    本文提出基于卷积神经网络的深度学习模型框架，利用 CT 扫描图像进行肺癌的早期检测，该模型表现优于传统方法，准确率达到 92%，AUC 为 98.21%，召回率为 91.72%，损失为 0.328。

    Apr, 2023

  • 基于深度学习的肺癌风险因素人工智能预测

    本研究旨在利用深度学习方法（卷积神经网络）开发一个能够高度准确地检测肺癌的模型，并比较其准确率和损失值。研究结果表明，该模型能够在现实世界中使用，对于肺癌的早期检测十分重要，鳞状细胞癌、正常细胞癌、腺癌和大细胞癌是最重要的风险因素。

    Apr, 2023

  • 深度学习用于肺癌检测：解决 Kaggle 数据科学比赛 2017 挑战

    本文针对肺癌的计算机辅助诊断问题，提出了一个多阶段的深度学习框架，通过 3D 肺部 CAT 扫描检测肺结节，判断恶性程度并计算癌症概率，参加 Kaggle Data Science Bowl 2017 竞赛并取得了第 41 名的好成绩。

    May, 2017

  • 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

  • 肺音和肺病分类的多任务学习

    使用多任务学习方法，在医学诊断中对肺音和肺疾病进行同时分类，结果表明该方法在同时分类肺音和肺疾病方面取得了良好的效果，并应用于慢阻肺患者的风险水平计算中，使用随机森林分类器达到了 92% 的准确率，从而减轻了医生的负担。

    Apr, 2024