May, 2024

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 语义扩散模型生成肺结节病变图像高保真合成

    利用语义扩散模型生成高保真度肺部 CT 图像扩充数据集，并在肺结节检测和定位任务中展现了优异性能。

    May, 2023

  • 肺部影像的自动分割主要是数据多样性问题，而非方法问题

    采用不同的深度学习方法和训练数据集对肺部分割进行比较，结果表明使用多样化的训练数据集可以提高准确性，并且使用 U-net 方法具有更高的 Dice 相似系数。

    Jan, 2020

  • 应用人工智能技术与螺旋 CT 扫描结合的早期肺癌筛查分析

    中国肺癌的发病率和致死率居于所有恶性肿瘤之首，早期肺癌的诊断对患者预后的改善具有重要意义。近年来，人工智能技术在肿瘤学领域逐渐得到应用，特别是在肺癌筛查和早期诊断方面发展迅速。然而，目前关于人工智能技术结合 SCT 扫描进行早期肺癌诊断的研究还很少。本研究旨在应用结合方法于早期肺癌筛查，以找到一种安全高效的筛查模式，并为临床诊断和治疗提供参考。

    Jan, 2024

  • 面向高效学习：COVID-19 CT 肺部和感染分割基准

    本研究旨在提供基于已标注的 70 个 COVID-19 病例的三个基准模型，用于肺部和感染物的分割，包括少样本学习，域泛化和知识迁移等当前新兴研究领域，研究者可以利用提供的 40 多个预训练模型快速分割肺部和感染物，平均识别精度高达 97.3％，97.7％和 67.3％，这是有限数据情况下促进 COVID-19 CT 分割深度学习方法发展的重要贡献。

    Apr, 2020

  • 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

  • 应用人工智能技术对 NLST 和 NSCLC-Radiomics 计算机断层扫描数据集进行注释扩充

    本文介绍了如何利用人工智能工具对两个计算机断层影像数据集中的胸部器官进行自动标注，从而丰富了国家癌症研究所影像数据共享平台中的数据资源，并伴随云端笔记本进行演示说明，以加强公共科研数据的可访问性和可用性。

    May, 2023

  • 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

    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。

    Feb, 2024