人工智能和放射学成像技术结合应用于甲状腺癌诊断的研究综述了相关研究,并强调了标准化努力的重要性。
Apr, 2024
通过当前的 MRI 进行预测,以减轻筛查负担和促进早期发现,该研究旨在预测在一年内发展乳腺癌的风险。
Nov, 2023
评估了乳腺癌三种创新的诊断技术,并研究了利用机器学习技术(如卷积神经网络)的计算机辅助诊断系统来提高病人的生存率。
May, 2023
乳腺癌是全球妇女最常见的恶性肿瘤之一,需要改进诊断方法以获得更好的临床结果。本文全面探讨了可解释人工智能(XAI)技术在乳腺癌检测和诊断中的应用,通过与机器学习和深度学习模型的整合,尤其是与 SHAP、LIME、Grad-CAM 等 XAI 方法,分析乳腺癌数据集及其 AI 处理方式,强调 XAI 可以提高精确诊断和个性化治疗方案,讨论了实施这些技术的挑战,以及在临床环境中评估 XAI 有效性的标准化指标的重要性。该文章通过详细分析和讨论旨在凸显 XAI 在复杂 AI 模型和实际医疗应用之间搭建桥梁的潜力,从而建立医疗专业人员之间的信任和理解,改善患者的预后效果。
Jun, 2024
本研究系统地综述了过去使用深度学习和机器学习进行基因测序或组织学影像检测和治疗乳腺癌的相关工作,并为将来的研究者提供了建议。
Mar, 2022
医学影像分析中广泛应用人工智能技术,特别是在骨转移的分析中,机器学习方法取得了有希望的性能,具有显著的潜力提高临床效率,应进一步研究和验证其临床性能并促进其融入常规临床实践。
本文提出了一种计算机辅助自动乳房 X 线摄影分析系统,其中包含三个连续的图像处理、特征选择和图像分类阶段,可以有效分类正常或癌症,实验证明该系统可以提高分类性能。
Dec, 2020
乳腺癌是导致癌症相关死亡的主要原因,但目前的计划成本高且容易出现误报,导致不必要的随访和患者焦虑。本文提出了一种自动乳腺癌检测的解决方案,旨在提高筛查计划的效率和准确性。该研究对 RSNA 数据集中的射线乳腺图片进行了不同的方法测试,约有 2 万名女性患者,并在方法间获得了平均验证 pF1 分数为 0.56。
Jul, 2023
利用动态对比增强磁共振成像 (DCE MRI) 和表观弥散系数 (ADC) 图,本研究提出了一种模型来预测乳腺癌患者的病理完全缓解 (pCR),利用深度学习和放射组学特征提取,相较于其他基准方法,我们的模型在预测 pCR 方面表现出优越性能。
应用于乳腺超声图像中的人工智能模型具有潜在的减轻癌症负担的应用前景。本研究提出了一种能够解释其预测结果的可解释人工智能模型,并通过预测具有特定临床意义的乳腺影像学术语来方便放射科医师审查和纠正错误,从而提高癌症分类的性能。