Sep, 2024

基因信息分析与年龄相关的黄斑变性患者的多模态选择性ViT

HTML
PDF
TL;DR本研究针对年龄相关的黄斑变性（AMD）相关的基因多态性进行分析，提出了一种新方法，该方法结合视网膜和光学相干断层扫描（OCT）图像及医疗记录，预测AMD的多种易感基因。实验结果表明，该方法通过多模态信息整合能够有效预测易感基因，准确率超过80%。
发现论文，激发创造
  • DeepSeeNet：一种深度学习模型，用于自动分类基于患者色视网膜照片的年龄相关性黄斑变性严重程度

    DeepSeeNet是一种基于深度学习的系统，使用双眼CFP图像来自动分类患者的年龄相关性黄斑变性病情，并通过AREDS简化严重程度评分患者级别，并表现出比视网膜专家更高的分类精度和透明度。

    Nov, 2018

  • 用于年龄相关性黄斑变性分类的多任务深度学习模型

    针对年龄相关黄斑变性（AMD）的深度学习模型通过多任务学习技术，将基于图像的AMD严重程度分级自动分类，并在两个图像数据集上的评估中表现优于当前的最先进模型超过10%。

    Dec, 2018

  • 评估一个深度学习系统，用于联合自动检测糖尿病视网膜病变和年龄相关性黄斑变性

    验证了一种商用的深度学习系统在混合眼部疾病的彩色眼底图像中同时检测糖尿病视网膜病变和年龄相关性黄斑变性的性能，结果表明该系统表现与人类专家相当，可以成为眼科专家的快速可靠支持。

    Mar, 2019

  • 松弛对训练的多模态 AMD 分类双流 CNN

    本研究提出了一种基于多模态输入的卷积神经网络自动分类年龄相关性黄斑变性的方法，并通过Loose Pair训练和类激活映射技术进行了优化，实验证明了该方法在多模态 AMD 分类方面的可行性。

    Jul, 2019

  • OCT拍摄的不同视网膜区域用于中度AMD分类的比较

    通过对一定区域感兴趣的视网膜(OCT)数据进行部分输入，即限制输入B扫描到特定的ROI，研究是否有可能区分中间年龄相关性黄斑变性(AMD)和健康对照组。通过训练使用VGG16架构和在ImageNet上预训练的卷积神经网络，可以有高精度地识别出这些ROIs， 从而实现了对AMD分类的高准确性。

    May, 2023

  • AMDNet23：一种结合基于轮廓的卷积神经网络和长短期记忆系统的诊断老年性黄斑变性方法

    基于自动化框架的疾病检测辅助医生对眼科疾病的诊断，通过自适应对比度增强和Gamma校正提高眼底图像的质量，使用深度学习的AMDNet23系统结合卷积神经网络和短期与长期记忆自动检测老年性黄斑变性疾病。研究收集了来自多个来源的数据集，经过质量评估后应用于实验，结果表明该混合深度模型对AMD眼底疾病的检测具有优越性能。

    Aug, 2023

  • 基于深度学习的OCT图像聚类用于年龄相关性黄斑变性生物标记的发现（Pinnacle研究报告4）

    通过对大规模视网膜光学相干断层扫描图像进行深度学习，我们提出了一种基于对比学习的生物标志物提议系统来加速年龄相关性黄斑变性的生物标志物发现，此系统超越了已建立的临床分级系统所使用的标志物集合，为进一步发现新的预后性生物标志物提供了可能。

    Mar, 2024

  • 多尺度颜色引导注意力集成分类器用于通过同时眼底和光学相干断层扫描图像诊断年龄相关性黄斑变性

    本研究解决了单一成像模态在年龄相关性黄斑变性（AMD）分类中的局限性，提出了一种基于迁移学习的多模态特征提取的新方法（MCGAEc）。该方法整合了多种颜色空间和注意力机制，有效提取不同尺度的成像信息。实验证明，该方法在分类AMD上具有显著的性能提升，可能对临床诊断产生深远影响。

    Sep, 2024

  • 基于机器学习的关键基因预测研究：与年龄相关性黄斑变性小鼠模型中视网膜下损伤严重程度的相关性

    本研究针对年龄相关性黄斑变性（AMD）中的视网膜下纤维化严重程度的分子机制缺乏了解的问题，提出了一种基于机器学习的框架，旨在预测与损伤严重程度强相关的关键基因，并识别潜在的治疗靶点。通过对JR5558小鼠视网膜的原始RNA测序数据进行分析，研究开发了新颖的特征工程技术，结果表明该框架能够有效识别新的治疗靶点，为药物开发和改善AMD的治疗策略提供了重要见解。

    Sep, 2024

  • 面向负责任的AI辅助眼病诊断：工作流程设计、外部验证与持续学习

    本研究针对医疗AI在眼病诊断中的现实应用难题，特别是缺乏临床工作流程验证的现状进行了探讨。通过构建用于年龄相关性黄斑变性（AMD）诊断的AI辅助工作流程，实验证明AI的引入显著提高了诊断准确性和效率。此外，持续学习的模型在多个数据集上展示了稳健性能，促使诊断准确率提升29%。

    Sep, 2024