XiaoMi-AI文件搜索系统
World File Search System医学影像
可解释的人工智能在医疗应用
人工智能理论的不断发展，在众多学者和科研人员的不懈努力下，已经达到了前所未有的高度。在医疗领域，人工智能发挥着至关重要的作用，其强大的机器学习算法发挥着重要作用。医学影像领域的人工智能技术，可以辅助医生进行X光、CT、MRI等检查诊断，基于声学数据进行模式识别和疾病预测，为患者提供疾病类型和发展趋势的预测，以及利用人机交互技术实现智能健康管理可穿戴设备等。这些成熟的应用为医疗领域的诊断、临床决策和管理提供了极大的帮助，但医疗与人工智能的协同也面临一个迫切的挑战：如何保证决策的可靠性？其根源在于医疗场景的可问责性和结果透明性需求与人工智能的黑箱模型特性之间的冲突。本文回顾了基于可解释人工智能 (XAI) 的最新研究，重点关注视觉、音频和多模态视角的医疗实践。我们努力对这些实践进行分类和综合，旨在为未来的研究人员和医疗保健专业人员提供支持和指导。
医疗保健转型：将人工智能和机器学习与大数据分析相结合
人工智能 (AI)、机器学习 (ML) 和大数据已成为改变医疗保健格局的强大力量。人工智能是指机器模拟人类智能过程，使其能够执行推理、学习、解决问题和决策等任务。机器学习是人工智能的一个子集，涉及算法的开发，使系统能够从数据中学习并在没有明确编程的情况下做出预测或决策。另一方面，大数据是指从电子健康记录、医学影像、可穿戴设备和基因组学等各种来源生成的庞大而复杂的数据集，超出了传统数据处理工具的能力。这些技术的融合有可能通过提供更深入的见解、增强决策能力和改善患者治疗效果来彻底改变医疗保健。人工智能和机器学习技术（例如深度学习）支持从诊断到个性化治疗计划等各种医疗保健应用，而大数据分析则可以处理大规模数据，从而揭示医疗保健实践中的模式、趋势和相关性。这些技术共同促进了医疗保健各个领域（包括疾病预防、诊断、治疗和管理）更准确、及时、更具成本效益的解决方案 [1]。
使用卷积神经网络进行脑肿瘤检测技术的建议方法
摘要：脑肿瘤是由脑组织细胞不规则生长而成的颅内肿块。医学影像在发现和检查器官的精确功能方面起着至关重要的作用。利用深度学习的最新进展，物体检测的性能得到了显着提高。本文提出了一种基于卷积神经网络（CNN）架构模型的分类方法，用于从磁共振成像（MRI）图像中检测脑肿瘤。网络训练在原始数据集和增强数据集中进行。而整个脑部MRI图像被缩放以适合每个预训练CNN网络的输入图像大小。此外，在准确度、精确度、特异性、灵敏度和F1分数方面对所提出的模型与其他预训练模型进行了比较研究。最后，实验结果表明，无需数据增强，所提出的方法在分割率为80:20的情况下实现了96.35％的总体准确率。而添加数据增强功能可将相同分割率的准确率提高到 97.78%。因此，获得的结果证明了所提出的方法在协助专业人员进行自动医疗诊断服务方面的有效性。
宇宙是不对称的，鼠脑也是如此。
附属机构 1. 荷兰奈梅亨唐德斯大脑、行为和认知研究所 2. 荷兰奈梅亨马克斯普朗克心理语言学研究所语言和遗传学系。 3. 加拿大安大略省多伦多市儿童医院小鼠成像中心，邮编 M5T 3H7 4. 美国马萨诸塞州波士顿哈佛医学院遗传学系。 5. 美国马萨诸塞州波士顿布莱根妇女医院病理学系。 6. 美国马萨诸塞州波士顿哈佛医学院遗传学系。 7. 美国马萨诸塞州波士顿布莱根妇女医院病理学系。 8. 美国马萨诸塞州剑桥哈佛大学哈佛干细胞研究所。 9. 英国牛津大学威康综合神经影像中心，牛津郡牛津，邮编 OX39DU 10. 荷兰奈梅亨拉德堡德大学医学中心人类遗传学系。 11. 荷兰奈梅亨拉德堡德大学医学中心医学影像系，邮政信箱 9101
研究贡献摘要：专利：
SN 年份 详情 1. 2024 Imtiyaz Ahmad、Vibhav Prakash Singh、Manoj Madhava Gore，“使用基于离散小波的中心对称局部二值模式和统计特征检测糖尿病视网膜病变”，医学影像信息学杂志，第 1-28 页，2024 年 9 月，(SCIE-2.6)，https://doi.org/10.1007/s10278-024-01243-2 2. 2024 Sumit Kumar、A Goswami、Vibhav Prakash Singh、Ruchir Gupta，“一种用于边缘计算资源分配的博弈论方法更快收敛的技术”，IEEE 服务计算学报，2024 年 10 月，第 1-11 页，(SCI-5.5) https://doi.org/10.1109/TSC.2024.3470313 3. 2024 Ankur Prakash 和 Vibhav Prakash Singh，“使用纹理和形状特征进行基于内容的肺气肿 CT 图像检索”，SN Computer Science，Springer，第 5(7) 卷，第 950 页，2024 年 10 月，（Scopus Indexed），https://doi.org/10.1007/s42979-024-03313-2 3. 2024 Ashima Tyagi、Vibhav Prakash Singh、Manoj Madhava Gore，“使用 MFC 的选定统计矩从 EEG 信号中检测精神分裂症
![arXiv:2302.13057v2 [eess.IV] 2023 年 9 月 24 日 - UCL 发现](/simg/6\695a887162683872622af1dd7bade269710e62f2.webp)
arXiv:2302.13057v2 [eess.IV] 2023 年 9 月 24 日 - UCL 发现
MRI 的最新进展促成了大型数据集的产生。随着数据量的增加，在这些数据集中找到同一患者的先前扫描结果变得越来越困难（这一过程称为重新识别）。为了解决这个问题，我们提出了一种名为 DeepBrainPrint 的 AI 驱动的医学影像检索框架，旨在检索同一患者的脑部 MRI 扫描结果。我们的框架是一种半自监督对比深度学习方法，具有三项主要创新。首先，我们结合使用自监督和监督范式，从 MRI 扫描结果中创建有效的脑部指纹，可用于实时图像检索。其次，我们使用特殊的加权函数来指导训练并提高模型收敛性。第三，我们引入了新的成像变换，以提高在存在强度变化（即不同的扫描对比度）的情况下的检索稳健性，并考虑患者的年龄和疾病进展。我们在阿尔茨海默病神经影像计划 (ADNI) 的 T1 加权脑部 MRI 大型数据集和用于评估不同图像模式的检索性能的合成数据集上测试了 DeepBrainPrint。我们的结果表明，DeepBrainPrint 的表现优于之前的方法，包括简单的相似性指标和更先进的对比深度学习框架。
智能医疗元宇宙的开发
元宇宙将物理现实与虚拟现实融为一体，使人类及其虚拟形象能够在由高速互联网、虚拟现实、增强现实、混合现实和扩展现实、区块链、数字孪生和人工智能 (AI) 等技术支持的环境中进行交互，所有这些技术都通过几乎无限的数据得到丰富。元宇宙最近作为社交媒体和娱乐平台出现，但扩展到医疗保健领域可能会对临床实践和人类健康产生深远影响。作为一群学术、工业、临床和监管研究人员，我们发现元宇宙方法在医疗保健领域的独特机会。“医疗技术和人工智能”(MeTAI) 的元宇宙可以促进基于人工智能的医疗实践的开发、原型设计、评估、监管、转化和改进，尤其是医学影像引导的诊断和治疗。在这里，我们介绍了元宇宙的使用案例，包括虚拟比较扫描、原始数据共享、增强监管科学和元宇宙医疗干预。我们讨论了 MeTAI 元宇宙生态系统的相关问题，包括隐私、安全和差异。我们还确定了协调努力构建 MeTAI 元宇宙的具体行动项目，以提高医疗质量、可及性、成本效益和患者满意度。
用于脑疾病诊断和治疗的核酸药物载体
核酸药物具有靶点选择丰富、设计简单、疗效良好且持久等优点，在脑疾病治疗中被证实具有不可替代的优越性，而载体是治疗效果的决定性因素，循环中降解清除、血脑屏障、细胞摄取、内体/溶酶体屏障、释放等严格的生理屏障阻碍核酸药物通过载体送达脑部，针对单一靶点的核酸药物对治疗机制复杂的脑疾病效果不佳，患者个体差异导致核酸药物治疗脑疾病存在很大的不确定性。本综述首先简要总结了核酸药物的分类，然后讨论了药物输送过程中的生理屏障和普适性的应对策略，并介绍了这些普适性的应对策略在核酸药物载体上的应用方法，随后探讨了以核酸药物为基础的脑疾病联合治疗的多药方案及相应载体的构建。接下来，我们将讨论通过医学影像诊断信息对患者进行分层和个性化治疗的可行性以及将造影剂引入载体的方式。最后，我们将展望基于载体的脑疾病综合诊断和基因治疗的未来可行性和剩余挑战。
癌症医学领域的开创性进展
摘要 本文探讨了人工智能 (AI) 如何改变癌症医学领域。它分为九个主要部分，说明了人工智能对癌症护理不同方面的深远影响。从疾病的早期阶段开始，人工智能展示了它如何通过快速准确地分析医学影像、病理切片和基因数据来改变传统的诊断方法。然后，本文进入个性化癌症治疗时代，重点介绍了人工智能如何根据个人基因和分子特征帮助定制治疗。最后，本文讨论了由人工智能集成驱动的医疗保健智能革命，强调了人工智能对诊断精度、治疗优化和资源分配的影响。此外，本文还深入探讨了人工智能如何在诊断和治疗之外融入医疗保健，包括预测模型、持续监测和治疗后护理等领域。人工智能有能力通过改进当前实践和促进临床研究、诊断方式和治疗计划的创新来彻底改变癌症医学。本文强调了人工智能创造的革命性边界，包括液体活检、虚拟肿瘤板和加快药物发现过程。该叙述全面概述了人工智能在癌症治疗领域的变革历程，并深入了解了其当前的影响以及未来的光明前景。
布莱恩·纳特教授
Tarter, D., Nutter, B. (2022)。Haar 小波树的快速编码。IEEE 数据压缩会议论文集。Parmar, H.、Nutter, B.、Long, R.、Antani, S.、Mitra, S. (2021)。使用 t-SNE 可视化 fMRI 的时间脑状态变化。医学影像杂志，8 (4)。Parmar, H.、Nutter, B.、Long, R.、Antani, S.、Mitra, S. (2020)。使用深度学习 3D-CNN 对 fMRI 数据进行阿尔茨海默病的时空特征提取和分类。医学影像杂志。Nutter, C.、Nutter, B. (2020)。在竞争性录取专业中取得成功。全国学生保留研讨会论文集。学生保留和数据交换联盟。 Bazgir, O.、Walden, E.、Nutter, B.、Mitra, S. (2020)。一种用于量化代谢物浓度的新型数据驱动磁共振波谱信号分析框架。算法。Johnston, D.、Nutter, B.、Gale, R. (2020)。通过新颖的 S 参数测量技术进行 IC 辨别。IEEE 国际仪器和测量会议论文集。Parmar, H.、Mitra, S.、Nutter, B.、Long, R.、Antani, S. (2020)。使用 t-SNE 可视化和检测大脑状态的变化。IEEE SSIAI 论文集。Parmar, H.、Nutter, B.、Mitra, S.、Long, R.、Antani, S. (2020)。用于阿尔茨海默病分类的 fMRI 的体积 3D CNN 深度学习。 SPIE 医学成像论文集。Rizkalla, M.、Patnala, M.、Yadav, A.、Williams, J.、Gopinath, A.、Nutter, B.、Ytterdal, T. (2020)。GaN TFET、FinFET 和 GNRFET 技术中 8T 静态 RAM 单元的低功耗高速性能——综述。固态电子学，163。Parmar, H.、Nutter, B.、Long, R.、Antani, S.、Mitra, S. (2019)。基于主成分分析从 4D fMRI 数据中自动消除信号漂移和全局波动作为 fMRI 数据分析的主要预处理步骤。SPIE 医学成像论文集。Gupta, S.、Petrie, C.、Rao, V.、Nutter, B. (2018)。智能校园 HVAC 系统的节能控制方法。IEEE 绿色技术会议论文集。 Parmar, H., Liu, X., Nutter, B., Mitra, S. (2018)。f-SIM：使用数字脑模型和建模噪声的准现实 fMRI 仿真工具箱。IEEE SSIAI 2018 论文集。Bazgir, O., Mitra, S., Nutter, B., Walden, E. (2018)。磁共振波谱中的全自动基线校正。IEEE SSIAI 2018 论文集。Liu, X., Nutter, B., Mitra, S. (2018)。用于研究稳健功能连接的人类大脑高同质性功能分区。IEEE SSIAI 2018 论文集。专利