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

HTML
PDF
TL;DR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%。
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

  • 可解释的深度学习方法在眼科诊断中的定量和定性评估

    通过评估13种不同的算法可解释性方法，结论为Taylor系列展开是在视网膜OCT诊断中最合适的方法，并且深度学习模型的解释可以使其更透明，从而有助于临床诊断和医学影像处理。

    Sep, 2020

  • 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

  • 人工智能在主要视网膜疾病中的应用综述

    通过对过去十年的研究进行系统调查，本文提供了一个关于导致视觉障碍或失明的视网膜疾病的体系化调研，强调了早期检测对有效治疗的重要性。它涵盖了检测视网膜疾病的临床和自动化方法，并基于对现有文献的批判性分析确定了未来的研究方向。这一综合研究以不同模态的临床和自动化检测方法为基础，具有独特的范围。此外，该调查对于对数字性视网膜病感兴趣的研究人员，将作为一份有益的指南。

    Nov, 2023

  • 整合专业知识与可解释性数据驱动智能实现传染性角膜炎的协作临床诊断

    将数据驱动的人工智能与临床医生的专业知识相结合，开发出一种可理解的诊断模型，通过人工智能的生物标志和检索到的具有相同诊断模式的病例提供可视化的推理过程，从而提高安全性和准确性，该模型在传染性角膜炎的诊断中取得了良好的性能、可解释性和临床实用性。

    Jan, 2024

  • 基于概念的可解释模型用于多模态数据诊断脉络膜肿瘤

    通过使用可解释的人工智能模型，我们的研究聚焦于罕见癌症眼部肿瘤的诊断，在集成领域专家的见解和放射学报告的基础上，我们的模型不仅在 F1 评分上与黑盒模型相媲美（0.91），而且还提高了初级医生的诊断准确性（提升了42%），这一研究凸显了可解释的机器学习在改善罕见疾病的诊断方面的巨大潜力，并为未来医学人工智能在复杂健康场景中取得突破奠定了基础。

    Mar, 2024

  • 可解释的人工智能提升青光眼转诊，但人工智能与人类团队仍未达到单独使用的水平

    初级医疗保健提供者、青光眼、人工智能、转诊准确性、人工智能与人类团队合作

    May, 2024

  • 通过深度学习实现自动化视网膜图像分析和医疗报告生成

    本研究解决了视网膜疾病诊断中医疗报告生成的效率和准确性问题，通过人工智能技术实现自动化。研究提出了一种多模态深度学习方法，能够有效捕捉医学术语与视网膜图像之间的互动，从而生成更全面的医疗报告。研究结果表明，该方法显著提高了诊断效率和准确性，具有广泛的临床应用潜力。

    Aug, 2024