Wiltsie 博士是一名儿科血液学家/肿瘤学家,专攻神经肿瘤学,特别关注神经纤维瘤病和癌症易感综合征。她在临床试验开发方面拥有丰富的经验,并与儿童脑肿瘤联盟合作开发了一项目前由 NIH 资助的复发和难治性脑肿瘤试验。Wiltsie 博士积极参与儿童肿瘤学组的临床试验,并接受过个性化医疗和分子检测方面的培训,她经常使用这些培训来治疗患有丛状神经纤维瘤和复发或难治性恶性肿瘤的儿童。通过与 Burr 质子中心和放射肿瘤学的合作,她经常照顾来自外部机构和国际的中枢神经系统恶性肿瘤患者。这包括定期参加多学科会议和跨多个亚专业的合作,以提供最佳的脑肿瘤儿童护理,并具有强大的
b"作者姓名:Divyanshu Tak 1,2, ;Biniam A. Garomsa 1,2 ;Tafadzwa L. Chaunzwa 1,2,10 ;Anna Zapaishchykova 1,2, ;Juan Carlos Climent Pardo 1,2 ;Zezhong Ye 1,2, ;John Zielke 1,2 ;Yashwanth Ravipati 1,2 ;Sri Vajapeyam 4 ;Ceilidh Smith 2 ;Kevin X.Liu 4 ;Pratiti Bandopadhayay 4,5 ;Sabine Mueller 9 ;黄蒙德4,5,11; Tina Y. Poussaint 4,5;Benjamin H. Kann 1,2,5 * 作者隶属关系:1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目,美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系,美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系,荷兰马斯特里赫特 4. 波士顿儿童医院,美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所,美国马萨诸塞州波士顿 6. 密歇根州立大学,美国密歇根州东兰辛 7. 费城儿童医院,美国费城 8. 宾夕法尼亚大学,美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系,美国旧金山 10. 纪念斯隆凯特琳癌症中心中心,纽约,美国 11. 哈佛医学院布莱根妇女医院放射科,马萨诸塞州波士顿。 * 通讯作者 通讯地址:Benjamin H. Kann,医学博士 医学人工智能 (AIM) 项目,麻省总医院布莱根,哈佛医学院,221 Longwood Avenue,Ste 442,波士顿,马萨诸塞州 02115,美国 电子邮件:Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理,但需要具有可泛化知识的算法,以便在各种临床场景中表现良好。到目前为止,该领域受到有限的训练数据和特定于任务的模型的限制,这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应,提出了一个有前途的范例来克服这些限制。在这里,我们介绍了脑成像自适应核心 (BrainIAC),这是一种新颖的基础模型,旨在从未标记的脑 MRI 数据中学习广义表示,并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证,证明 BrainIAC 优于局部监督训练和其他预训练模型,特别是在低数据设置和高难度任务中,允许在其他不可行的情况下应用。
标题页 1 完整标题:2 使用人工智能在心电图上检测肥厚型心肌病 3 4 简称:5 使用人工智能在心电图上检测肥厚型心肌病 6 7 作者: 8 James M Hillis,MBBS DPhil 1,2,3 9 Bernardo C Bizzo,MD PhD 1,3,4 10 Sarah F Mercaldo,PhD 1,3,4 11 Ankita Ghatak,MSc 1 12 Ashley L MacDonald,BSc 1 13 Madeleine A Halle,BSc 1 14 Alexander S Schultz 1 15 Eric L'Italien 1 16 Victor Tam 1 17 Nicole K Bart,MBBS DPhil 3,5 18 Filipe A Moura,MD PhD 3,5 19 Amine M Awad,BMBCh 2,3,6 20 David Bargiela,MBBS PhD 2,3,6 21 Sarajune Dagen,RN 7 22 Danielle Toland,RN BSN 6 23 Alexander J Blood,MD MSc 3,5 24 David A Gross,MD PhD 3,5 25 Karola S Jering,MD 3,5 26 Mathew S Lopes,MD MPH 3,5 27 Nicholas A Marston,MD MPH 3,5 28 Victor D Nauffal,MD 3,5 29 Keith J Dreyer,DO PhD 1,3,4 30 Benjamin M Scirica,MD* 1,3,5 31 Carolyn Y Ho,MD* 3,5 32 33 * 这些作者对这项工作的贡献相同。34 35 作者所属: 36 1 美国马萨诸塞州波士顿麻省总医院布莱根医院 37 2 美国马萨诸塞州波士顿麻省总医院神经内科 38 3 美国马萨诸塞州波士顿哈佛医学院 39 4 美国马萨诸塞州波士顿麻省总医院放射科 40 5 美国马萨诸塞州波士顿布莱根妇女医院心血管医学科 41 6 美国马萨诸塞州波士顿布莱根妇女医院神经内科 42 7 美国马萨诸塞州波士顿布莱根妇女医院神经外科 43
商业利益披露:《核医学杂志》主编 Johannes Czernin 医学博士表示,他是 Sofie Biosciences 的创始人,拥有该公司的股权和他发明的知识产权,这些知识产权由加州大学申请专利并授权给 Sofie Biosciences。他还是 Trethera Therapeutics 的创始人和董事会成员,拥有该公司的股权和他发明的知识产权,这些知识产权由加州大学申请专利并授权给 Triangle。他还担任 Actinium Pharmaceuticals 的医学顾问委员会成员以及 POINT Biopharma、RayzeBio 和 Jubilant Pharma 的科学顾问委员会成员,并担任 Amgen 的顾问。未报告其他潜在利益冲突。提交给 JNM 的具有潜在冲突的稿件由客座编辑处理。
摘要:在神经病学领域,早期肿瘤诊断是治疗肿瘤最具挑战性的任务。由于脑瘤是世界上最常见的问题,因此人们正在进行大量研究以在癌症发病阶段发现它。使用传统的图像处理方法进行诊断及其自动化的任务极其困难。鉴于此,提出了一种基于卷积神经网络架构的新技术来对脑瘤进行分类,以帮助放射科医生和医生快速准确地做出决策。所提出的深度学习结构有助于分析和生成更好的特征图,以对正常和恶性病例中的变化进行分类。所提出的方法,即混合深度神经网络 (H-DNN) 架构,是两种不同 DNN 的组合。第一个深度神经网络 (DNN-1) 使用颅脑磁共振 (MR) 图像的空间纹理信息,而在第二种方法中,深度神经网络 (DNN-2) 使用 MRI 扫描的频域信息。最后,我们将两个神经网络结合起来,根据预测分数产生更好的分类结果。DNN-1 的训练输入是局部二元模式计算的纹理,而 DNN-2 使用小波变换计算的频率作为训练输入。这里使用了两个数据集来评估所提出的模型,即真实 MRI 数据集和用于 T2 加权 MRI 扫描的 BraTS 2012 MRI 数据集。在本研究中,所提出的模型提供了 98.7% 的分类准确率,优于相关工作中报告的其他方法。此外,还使用 DNN-1 和 DNN-2 架构对所提出的方法进行了准确度、灵敏度和特异性的比较,以表明与其他方法相比,所报告的模型给出了更好的结果。关键词:脑肿瘤、卷积神经网络、深度学习、图像分类、磁共振成像。如何引用:Singh, M., & Shrimali, V. (2022)。使用混合深度学习方法对脑肿瘤进行分类。 BRAIN。人工智能和神经科学的广泛研究,13 (2), 308-327。https://doi.org/10.18662/brain/13.2/345