May, 2024

深度学习用于从肺活量时间序列中检测和早期预测慢性阻塞性肺疾病：来自英国生物银行的研究

PDF
TL;DR针对慢性阻塞性肺疾病（COPD）的早期风险预测问题，首次提出了基于深度学习的 DeepSpiro 方法，通过构建稳定的体积 - 流量曲线、提取关键特征、解释模型以及基于关键补丁凹陷的风险预测，能够准确预测高风险患者未来 1 至 5 年及更长时间内的 COPD 风险，实验结果表明其 AUC 值为 0.8328。
发现论文，激发创造
  • COPD-FlowNet：利用 CFD 模拟提升无创慢阻肺诊断

    COPDFlowNet 是一种新颖的深度学习框架，利用自定义生成对抗网络 (GAN) 生成特定于 COPD 患者气管的合成计算流体力学 (CFD) 速度流场图像，用于数据增强和模型训练，同时结合自定义的卷积神经网络 (CNN) 架构预测梗阻部位。

    Dec, 2023

  • 慢性阻塞性肺疾病多中心分类的迁移学习

    通过多中心数据集，使用高斯纹理特征和加权逻辑分类器诊断慢性阻塞性肺疾病 (COPD)，并发现其优于已有的弱监督学习方法。

    Jan, 2017

  • 将胸部 CT 扫描的 COPD 分类重构为基于对比表征的异常检测

    通过自我监督对比预处理模型，将 COPD 的二元分类转化为异常检测任务，提出了 cOOpD 算法，并获得了两个公共数据集中 AUROC 方面的最佳表现。

    Jul, 2023

  • 基于气流信号的便携式肺功能检测系统自动咳嗽检测

    介绍了过去十年咳嗽检测的研究，描述了 AioCare 便携式肺活量检测系统的自动咳嗽检测解决方案，该解决方案基于气流信号而非音频信号，使用逻辑回归、神经网络、支持向量机等分类器进行训练并选择了人工神经网络，测试表明该分类器精度稳健，能够应用于不同的环境和患者，是第一个基于气流信号的自动咳嗽检测算法描述，并且是第一个应用于商用肺活量检测系统的咳嗽检测算法。

    Feb, 2019

  • 基于深度学习技术的基于图像的空气质量指数分析预测肺疾病严重程度

    通过使用图像数据预测空气质量、评估肺病严重程度的整合方法，以提高 AQI 和肺病严重程度的准确性，并达到了 87.44% 的 AQI 预测准确率和 97.5% 的肺病严重程度评估准确率。

    May, 2024

  • 用深度学习系统筛查新型冠状病毒肺炎

    该研究使用深度学习技术建立了一种早期筛查模型，通过分割和分类肺部 CT 图像来区分 COVID-19 肺炎，流感 A 病毒性肺炎和健康情况，并证明其为临床医生提供的一种有效的补充诊断方法。

    Feb, 2020

  • 利用光电容积脉搏波和深度学习预测心血管疾病风险

    通过使用智能手机上的 PPG 感应技术，我们建立了一种基于深度学习的 CVD 风险预测模型，可预测十年内患心血管疾病的可能性，该模型采用年龄、性别、吸烟状态和 PPG 等因素作为预测因子，可在医疗资源有限的地区提供一种基于社区的初级预防方法。

    May, 2023

  • 基于视觉变换器和可解释人工智能的 CoVid-19 检测

    通过视觉转换器技术的端到端框架，提出了一种用于肺部疾病诊断的方法，其中涵盖了数据增强、模型训练和评估等步骤。在 Covid 19 放射学数据库等数据集上测试和评估了一种专门的紧凑型卷积转换器模型，该模型在训练和验证阶段均取得了更好的准确性。

    Jul, 2023

  • 基于图像和声学技术的深度神经网络 COVID-19 检测与诊断：最新综述

    通过对深度学习算法在新型冠状病毒 COVID-19 检测中的应用进行全面探讨，研究人员指出，基于胸部 CT 和 X 射线图像的深度学习算法可以有效地检测肺炎，从而实现对 COVID-19 的早期诊断和预防传播。同时，文章还简要讨论了最新的咳嗽分析应用和人类移动估计技术，以限制 COVID-19 的传播。

    Dec, 2020

  • 基于混合深度学习框架的深度空气质量预测

    该研究提出了一种基于深度学习的新型空气质量（主要是 PM2.5）预测模型，该模型能够通过卷积神经网络和双向 LSTM 混合框架学习空气质量相关时间序列数据的空间 - 时间相关性特征和多元相关性特征，并在两个实际数据集上进行了实验验证，表明该模型能够以较高的准确性进行 PM2.5 空气污染预测。

    Dec, 2018