May, 2024

一种可解释和符合性的AI模型用于检测患有儿童特发性关节炎的颞颌关节受累

HTML
PDF
TL;DR实施可解释人工智能模型用于帮助临床医生评估儿童颞下颌关节受累，结果表明该模型能在两年内准确识别早期疾病且作为决策支持工具具有潜力。
发现论文，激发创造
  • 基于深度学习的普通X光片自动诊断膝骨关节炎方法

    本研究提出一种基于深度孪生卷积神经网络的新透明计算机辅助诊断方法，根据Kellgren-Lawrence分级标准自动评分膝骨关节炎病情，并报告了该方法验证的结果和关键的放射学特征。

    Oct, 2017

  • 基于多模态机器学习的膝骨关节炎进展预测——来自X光片和临床数据

    通过以患者影像数据、临床检查数据和既往病史为基础的多模态机器学习模型，可以预测膝关节骨关节炎（OA）的进展情况，并显著改善OA药物开发试验的受试者选择过程，帮助个性化治疗计划的开发。

    Apr, 2019

  • 深度学习用于风湿性关节炎：X光片关节检测与损伤评分

    本研究使用多任务深度学习模型，同时定位X射线图像上的关节并诊断狭窄和侵蚀两种关节损伤。该模型使用经过修改的标签平滑方法，将分类和回归提示合并为单一损失，相对标准损失函数减少了5%的误差。该研究在全球RA2 DREAM挑战赛中，关节狭窄排名第四，关节侵蚀排名第五。

    Apr, 2021

  • 基于侧面膝关节X射线片、人口统计数据和症状评估的深度学习预测髌股关节骨关节炎进展

    本研究提出了一种基于深度学习和注意力机制的框架，利用七年的影像数据预测髌股关节骨关节炎的放射性进展，包括1832名患者（3276个膝部），使用自动化工具（BoneFinder）骨龄确定方法识别PF关节区域，并使用5倍交叉验证的端到端DL模型，结合临床变量，论证了ML模型在PFOA预测中的潜力和未来应用前景。

    May, 2023

  • CoAD：基于症状和疾病协作生成的自动诊断

    引入了一个名为CoAD的新型疾病和症状协作生成框架，通过对多个关键创新的整合来改善AD，并在各类数据集上展示得到了平均2.3%的改进。

    Jul, 2023

  • 正骨学中的可解释人工智能：挑战、机遇与前景

    人工智能在医疗保健领域的应用相对较慢，主要是由于监管框架、患者隐私关注和数据异质性等因素。在骨科领域，解释性和可解释性的人工智能模型的缺乏阻碍了其实施。通过开发优先考虑透明度和可解释性的人工智能模型和算法，解决解释性人工智能在骨科领域的挑战需要让临床医生、外科医生和患者能够理解任何基于人工智能的预测或描述模型的贡献因素。该研究强调了在骨科实践中解释性人工智能中存在的几个关键挑战和机会，强调了人工智能从业者、骨科专家和监管机构之间的跨学科合作以建立解释性人工智能在骨科领域的采用标准和指南的需求。

    Aug, 2023

  • 运用可解释人工智能解读膝骨关节炎诊断特征：一项系统综述

    该研究调查了用于膝关节骨关节炎诊断的可解释人工智能技术，旨在提供膝关节骨关节炎可靠诊断方法的更多见解并鼓励其在临床实践中的采用。

    Aug, 2023

  • 基于血液检测、半结构化和非结构化患者记录的多模式机器学习提高炎症性关节炎的早期检测和转诊

    通过融合和集成学习的方法，利用多模态数据来支持从普通科转诊中早期检测关节炎，是我们所知的第一次尝试。

    Oct, 2023

  • 深度学习基于放射性的骶髂关节炎检测中结构意识的整合以提升泛化性能和进展预测

    通过深度学习模型中融入解剖学认知可以提高模型的泛化能力并实现疾病进展的预测能力。

    May, 2024

  • 从放射科医生报告到图像标签：评估潜在的狄利克雷分配在神经网络训练中的应用，以进行骨科放射影像分类

    本研究探讨了如何利用潜在的狄利克雷分配（LDA）从放射科医生的报告中自动生成骨科放射影像的标签，以解决影像分类中的准确性问题。研究发现，尽管LDA在高准确度标签生成方面效果有限，但训练的人工神经网络（ANN）在某些特征的识别上却表现出良好的学习能力。这项工作为医学研究中的机器学习应用提供了新的视角。

    Aug, 2024