Jun, 2024

AI 年龄差异：肾脏肿瘤患者脆弱性评估的新参数

PDF
TL;DR介绍了一种新的指标 AI Age Discrepancy，通过对术前腹部 CT 扫描的机器学习分析得出，作为评估肾癌患者脆弱性和术后风险的潜在指标。这项回顾性研究发现，较高的 AI Age Discrepancy 与较长的住院时间和较低的总体生存率显著相关，独立于已确立的因素。这表明 AI Age Discrepancy 可能为评估患者脆弱性提供有价值的信息，并在肾癌治疗的临床决策中发挥作用。
kidney cancerfrailtyai age discrepancypostoperative riskclinical decision-making
发现论文，激发创造
  • 基于集成学习和可解释人工智能的 AI 驱动的慢性肾脏病早期预后预测分析方法

    使用集成学习和可解释的人工智能来视觉化慢性肾脏疾病的主要特征、特征得分和价值，提高对该疾病早期预测和检测的准确性，为临床医生开处方推荐个体患者的生活方式改变以减缓疾病进展提供帮助。

    Jun, 2024

  • 非重症患者急性肾损伤预测：回顾性外部和内部验证研究

    急性肾损伤（AKI）预测的深度学习与传统机器学习模型间的比较及其在不同医疗机构的性能验证。

    Feb, 2024

  • 自适应特征重要性校准的腹膜透析患者死亡率预测：基于真实世界纵向随访数据的深度学习研究

    我们开发了一个即时、个性化和可解释的死亡预测模型 - AICare，该模型使用电子病历等随访数据，能够明确识别每个患者的关键特征，进而建立健康状态嵌入模型，并在包括腹膜透析和血液透析等临床数据预测任务中达到了良好的预测效果。

    Jan, 2023

  • pyAKI - 一个自动 KDIGO 分类的开源解决方案

    pyAKI 是一个开源、高精度的应用时间序列数据实现 Acute Kidney Injury（AKI）诊断 KDIGO 标准的解决方案。

    Jan, 2024

  • 先前住院期间血清肌酐测量之和预测再入院患者的急性肾损伤

    使用血清肌酐作为唯一特征，采用多层感知器和循环神经网络来估计住院期间发生急性肾损伤的风险。实验结果显示， MLP 模型处理 sCr 的总和具有最佳性能：AUROC 为 0.92，AUPRC 为 0.70。预计还需要通过改进网络架构来处理缺失的门诊数据。

    Dec, 2017

  • FLARE22 挑战赛：在全癌症腹部器官定量中释放未标记数据的优势

    定量器官评估是自动腹部疾病诊断和治疗规划的重要步骤。人工智能（AI）在自动化这一过程中显示出巨大的潜力。为了克服现有 AI 算法在现实世界多国家设置中对准确性和效率的大规模评估以及缺乏全面评估的限制，我们组织了迄今最大规模的腹部器官分析挑战 FLARE 2022 Challenge，旨在评估快速、低资源、准确、注释高效和泛化能力强的 AI 算法。我们从 50 多个医疗团体构建了一个跨洲际和跨国家的数据集，包括来自不同种族、疾病、阶段和制造商的计算机断层扫描（CT 扫描）。我们独立验证了一组 AI 算法通过使用 50 个标记扫描和 2000 个未标记扫描实现了 90.0% 的中位数 Dice 相似系数（DSC），这可以显著减少标注要求。最佳表现的算法成功泛化到保留的外部验证集，分别在北美、欧洲和亚洲队列上实现了中位数 DSC 分别为 89.5%、90.9% 和 88.3%。它们还实现了关键器官生物学特征的自动提取，这在传统的手动测量中需要耗费大量人力。这有望利用未标记数据提升性能并缓解现代 AI 模型的标注短缺问题。

    Aug, 2023

  • 前列腺年龄差异（PAG）：一种前列腺癌检测的 MRI 年龄代表性标记

    通过利用前列腺磁共振成像扫描以及其与临床相关的前列腺癌进行联系，本研究评估并获得了 Prostate Age Gap（PAG）作为一种用于评估临床相关前列腺癌风险的磁共振成像标记工具。

    Aug, 2023

  • 利用记忆网络在结构化和非结构化电子健康记录数据中识别急性肾损伤的亚表型

    该研究使用记忆网络和深度学习的方法，利用患者在患急性肾损伤前的结构化和非结构化电子病历数据，发现了急性肾损伤的三个亚表型，这可以更好地理解这种疾病的病理生理学并制定更有针对性的临床干预措施。

    Apr, 2019

  • 评估人工智能在预测肿瘤患者不良药物反应中的有效性：一项系统性综述和荟萃分析

    利用人工智能模型预测癌症患者中的不良药物反应，显示高特异性和敏感性，但需要标准化和多中心研究来提高证据质量。

    Apr, 2024

  • 深度学习预测髋部骨折，利用混杂患者和医疗变量

    使用深度学习模型对 17,587 个 X 光片进行训练，研究了骨折的影像学特征、患者特征和医院过程特征对其影响，发现这些因素是计算机辅助诊断算法预测的主要来源，表明应该进一步研究深度学习决策过程以有效协作。

    Nov, 2018