XiaoMi-AI文件搜索系统
World File Search SystemLitjens
医生对医疗人工智能伦理的要求
5 Bulten, W.、Pinckaers, H.、van Boven, H.、Vink, R.、de Bel, T.、van Ginneken, B.、van Ginneken, B.、van der Laak, J.、Hulsbergen-van de Kaa, C. 和 Litjens, G. (2020 年)。使用活检对前列腺癌进行格里森分级的自动深度学习系统：一项诊断研究。柳叶刀肿瘤学，21（2），233–241。 https://doi.org/10.1016/S1470 -2045(19)30739 -9； Chen, JH 和 Asch, SM (2017)。医学中的机器学习和预测——超越膨胀预期的顶峰。新英格兰医学杂志，376（26），2507–2509。 https://doi.org/10.1056/NEJMp1702071； Bejnordi, BE、Veta, M.、van Diest, PJ、van Ginneken, B.、Karssemeijer, N.、Litjens, G.、van der Laak, J. 和 CAMELYON16 联盟。 (2017)。深度学习算法对乳腺癌女性淋巴结转移检测的诊断评估。 JAMA，318（22），2199-2210。 https://doi.org/10.1001/jama.2017.14585； Erickson, BJ、Korfiatis, P.、Akkus, Z. 和 Kline, TL (2017)。用于医学成像的机器学习。 X 射线照相术，37（2），505–515。 https://doi.org/10.1148/rg.2017160130
人工智能在神经外科领域的作用不断演变
参考文献 [1] Litjens, G., Et Al. (2017)。“医学图像分析中的深度学习调查。”医学图像分析，42，60-88。 [2] Esteva, A., Et Al. (2021)。“深度学习支持的医学计算机视觉。”自然生物医学工程，5(6)，541-551。 [3] Haidegger, T. (2021)。“人工智能驱动的机器人手术：趋势、进步和挑战。”IEEE 生物医学工程评论，14，27-45。 [4] Ferguson, S., Et Al. (2019)。“用于预测神经外科术后并发症的机器学习模型。”神经外科评论，43(4)，891-900。 [5] Bricault, I., Et Al. (2021)。 “人工智能驱动的机器人神经外科手术：技术和临床结果。”《神经外科杂志》，135(2)，543-553。[6] Shen, D. 等人（2019 年）。“医疗保健中的人工智能：个性化和精准医疗。”《自然医学》，25(1)，44-56。[7] Senders, JT 等人（2018 年）。“神经外科中的机器学习：一项全球调查。”《神经外科评论》，41(3)，585-594。[8] Senders, JT 等人（2020 年）。“用于神经外科结果预测的人工智能。”《柳叶刀数字健康》，2(7)，E352-E361。[9] Topol, EJ（2019 年）。“高性能医疗：人类与人工智能的融合。” Nature Medicine，25(1)，44-56。[10] Rudin，C.（2019）。“停止解释高风险决策的黑箱机器学习模型，并使用可解释的
用于脑部的监督 ML 应用分类模型...
脑是人体中的一个复杂器官。当脑肿瘤发生时，脑中会形成一系列异常的细胞，并且发生不受控制的细胞分裂（Logeswari and Karnan，2010）。这些异常的细胞会破坏健康细胞并影响大脑的总体活动。脑肿瘤分为良性肿瘤和恶性肿瘤。良性肿瘤生长缓慢，起源于脑部；它们被认为是非进行性或非癌性的。良性肿瘤不会扩散到体内的任何其他器官。相反，恶性肿瘤是进行性的和癌性的。它们以不确定的方式意外生长。原发性恶性肿瘤可以自行生长。此外，恶性肿瘤还可以在体内的其他器官中生长并扩散到大脑。MRI 是一种可以生成高质量人体解剖图像的成像技术。MRI 为医学诊断和研究提供了大量信息（Zhang et al.，2011）。 MRI 图像的自动化和准确分类极大地提高了 MRI 的诊断价值（Scapaticci 等，2012）。然而，单一类型的 MRI 无法提供包含许多不同组织的脑肿瘤的完整详细信息（Sudharani 等，2016）。不同加权图像相结合可以开发脑肿瘤的图像分割。三幅加权 MRI 图像（图 1 中的 T1、T2 和 FLAIR）用于在不同轴向切片上对颅骨进行图像分割（Vannier 等，1988；Clark 等，1994；Dou 等，2007）。作为最佳成像方法之一，研究人员使用 MRI 来分析脑肿瘤在检测和治疗阶段的进展。由于 MRI 产生高分辨率，因此脑结构信息（如脑组织异常）非常详细。因此，MRI 对医学图像的自动分析有显著影响（ Zacharaki 等人，2009 年；Litjens 等人，2017 年）。由于医学图像可以扫描并加载到计算机中，研究人员提出了不同的
将数字病理与多部的整合
参考文献1。Tomczak，K.，P。Czerwinska和M. Wiznerowicz，《癌症基因组地图集》（TCGA）：不可估量的知识来源。当代Oncol（POZN），2015年。19（1a）：p。 A68-77。2。Vandereyken，K.，A。Sifrim，B。Thienpont和T. Voet，单细胞和空间多词的方法和应用。nat Rev Genet，2023。24（8）：p。 494-515。3。nahm，F.S。，接收器操作特征曲线：临床医生的概述和实际用途。韩国J麻醉剂，2022年。75（1）：p。 25-36。4。Bray，F。等，《 2018年全球癌症统计：Globocan在185个国家 /地区在全球36家癌症的发病率和死亡率估计。 ca Cancer J Clin，2018年。 68（6）：p。 394-424。 5。 Chen，L。等人，组织病理学图像和多词的整合预测肺腺癌的分子特征和存活。 前牢房Dev Biol，2021。 9：p。 720110。 6。 McQuin，C。等人，Cellprofiler 3.0：生物学的下一代图像处理。 PLOS Biol，2018年。 16（7）：p。 E2005970。 7。 Sung，H。等，《全球癌症统计》 2020年：Globocan在185个国家 /地区在全球36种癌症的发病率和死亡率估计。 ca Cancer J Clin，2021。 71（3）：p。 209-249。 8。 Kay，C。等人，HR+/HER2+乳腺癌治疗的当前趋势。 Future Oncol，2021。 17（13）：p。 1665-1681。 9。 J Thorac Dis，2023。 15（5）：p。 2528-2543。 10。Bray，F。等，《 2018年全球癌症统计：Globocan在185个国家 /地区在全球36家癌症的发病率和死亡率估计。ca Cancer J Clin，2018年。68（6）：p。 394-424。5。Chen，L。等人，组织病理学图像和多词的整合预测肺腺癌的分子特征和存活。前牢房Dev Biol，2021。9：p。 720110。6。McQuin，C。等人，Cellprofiler 3.0：生物学的下一代图像处理。PLOS Biol，2018年。16（7）：p。 E2005970。7。Sung，H。等，《全球癌症统计》 2020年：Globocan在185个国家 /地区在全球36种癌症的发病率和死亡率估计。 ca Cancer J Clin，2021。 71（3）：p。 209-249。 8。 Kay，C。等人，HR+/HER2+乳腺癌治疗的当前趋势。 Future Oncol，2021。 17（13）：p。 1665-1681。 9。 J Thorac Dis，2023。 15（5）：p。 2528-2543。 10。Sung，H。等，《全球癌症统计》 2020年：Globocan在185个国家 /地区在全球36种癌症的发病率和死亡率估计。ca Cancer J Clin，2021。71（3）：p。 209-249。8。Kay，C。等人，HR+/HER2+乳腺癌治疗的当前趋势。Future Oncol，2021。17（13）：p。 1665-1681。9。J Thorac Dis，2023。15（5）：p。 2528-2543。10。Hu，J。等人，基于数字病理学和HR（+）/HER2（ - ）乳腺癌基于数字病理和深度学习的临床病理特征，多摩学事件和预后的预测。Koch，S.，J。Schmidtke，M。Krawczak和A. Caliebe，多基因风险评分的临床实用性：关键的2023年评估。 J社区基因，2023年。 11。 OTA，M。和K. Fujio，《免疫介导疾病精确医学的多摩学方法》。 炎症，2021年。 41（1）：p。 23。 12。 Arehart，C。等人，聚词风险评分预测炎症性肠病的诊断。 Biorxiv，2022。 13。Vander Laak，J。，G。Litjens和F. Ciompi，《组织病理学深度学习：通往诊所的道路》。 nat Med，2021。 27（5）：p。 775-784。 14。 ehteshami bejnordi，B。等人，对乳腺癌女性淋巴结转移的深度学习算法的诊断评估。 Jama，2017年。 318（22）：p。 2199-2210。 15。 Varga，Z。等人，KI-67免疫组织化学在2级乳腺癌中的可靠性如何？ 瑞士乳房和妇科病理学家的质量检查研究。 PLOS ONE，2012年。 7（5）：p。 E37379。 16。 Weinstein，R.S。等人，远程病理学，虚拟显微镜和整个幻灯片成像的概述：未来的前景。 Hum Pathol，2009年。 40（8）：p。 1057-69。 17。 办公室，N.A。，政府数字化转型：解决效率的障碍。 2023。 18。 2016，马萨诸塞州剑桥：麻省理工学院出版社。Koch，S.，J。Schmidtke，M。Krawczak和A. Caliebe，多基因风险评分的临床实用性：关键的2023年评估。J社区基因，2023年。11。OTA，M。和K. Fujio，《免疫介导疾病精确医学的多摩学方法》。炎症，2021年。41（1）：p。 23。12。Arehart，C。等人，聚词风险评分预测炎症性肠病的诊断。Biorxiv，2022。13。Vander Laak，J。，G。Litjens和F. Ciompi，《组织病理学深度学习：通往诊所的道路》。nat Med，2021。27（5）：p。 775-784。14。ehteshami bejnordi，B。等人，对乳腺癌女性淋巴结转移的深度学习算法的诊断评估。Jama，2017年。318（22）：p。 2199-2210。15。Varga，Z。等人，KI-67免疫组织化学在2级乳腺癌中的可靠性如何？瑞士乳房和妇科病理学家的质量检查研究。PLOS ONE，2012年。7（5）：p。 E37379。16。Weinstein，R.S。等人，远程病理学，虚拟显微镜和整个幻灯片成像的概述：未来的前景。Hum Pathol，2009年。40（8）：p。 1057-69。17。办公室，N.A。，政府数字化转型：解决效率的障碍。2023。18。2016，马萨诸塞州剑桥：麻省理工学院出版社。Goodfellow I，B.Y.，Courville A，深度学习。