XiaoMi-AI文件搜索系统
World File Search System尘肺病
基于X射线和深度学习的尘肺病计算机辅助诊断系统
摘要 目的：本研究旨在利用X射线和深度学习算法构建正常人和尘肺病的计算机辅助诊断系统。材料与方法：实验收集了2017年1月至2020年6月期间1760张真实患者的匿名数字X射线图像。为了使模型的特征提取能力更加集中在肺部区域，抑制外界背景因素的影响，建立了由粗到细的两阶段流水线。首先，使用U-Net模型提取采集图像两侧的肺部区域；然后，采用结合迁移学习策略的ResNet-34模型对提取出的肺部区域的图像特征进行学习，实现尘肺病患者和正常人的准确分类。结果：在收集的1760例病例中，分类模型的准确率为92.46%，曲线下面积为89%。结论：深度学习在尘肺病诊断中的成功应用进一步证明了医疗人工智能的潜力，并证明了我们提出的算法的有效性。然而，当我们进一步将尘肺病患者和正常人分为四类时，我们发现整体准确率下降到70.1%。我们将在未来的研究中使用CT模态来提供更多肺部区域的细节。关键词：尘肺病诊断，X射线，深度学习，U-Net，ResNet
数字射线照相术在检测和... 中的应用
监测从事尘土飞扬工作的个人的健康状况旨在向工人保证持续的暴露控制是足够的。当需要更有效的控制措施来防止与工作相关的损伤和残疾时，识别轻微的健康异常可以作为对工人和管理人员的早期预警。自 1970 年以来，NIOSH 和其他组织已成功应用传统胶片胸部 X 线摄影，使用国际劳工局 (ILO) 尘肺病 X 线照片国际分类进行解释，以实现以下目标 1 。尘肺病等间质性肺病的成像是诊断放射学中最困难的挑战之一，需要全面关注技术、方法和人为因素，以确保图像质量和解释令人满意，从而实现早期疾病检测。本 NIOSH 指南基于公认的当代专业建议，并为获取数字胸部 X 光片以评估尘肺病的放射设施和医生读者提供技术和操作指导。目的是确保使用数字获取的胸部 X 光片识别尘肺病至少与传统胶片屏幕 X 光片一样安全有效。本指南不应被视为医疗实践的强制性要求；但是，偏离规范的参与从业者和设施应该有使用替代方法的合理医学理由。
截至 2023 年 12 月 31 日止年度综合报告
2023 年 11 月，南非煤矿公司（包括我们自己）被提起集体诉讼，涉及感染煤矿尘肺病的矿工以及那些可能因煤矿尘肺病而死亡的矿工的家属。我们非常重视这一行动，因为我们员工的健康和安全义务至关重要。我们正在调查与集体诉讼有关的所有事实，并将做出适当回应。该集团积极研究和加强健康和安全措施，包括尖端的职业卫生和医疗监测计划，以预防职业健康疾病。
人工智能在肺部疾病管理中的应用系统评价
本系统综述通过对 2014 年至 2023 年的文章进行全面分析，探讨了人工智能 (AI) 在管理肺部疾病方面的变革性影响。通过评估 AI 在放射成像、疾病负担预测、检测、诊断和分子机制方面的多方面作用，本综述对精选文章中的关键见解进行了关键综合。研究结果强调了 AI 在提高诊断准确性、解释放射成像、预测疾病负担以及深化对结核病 (TB)、慢性阻塞性肺病 (COPD)、矽肺病、尘肺病和肺纤维化的理解方面取得了重大进展。该综合将 AI 定位为医疗保健系统中的革命性工具，为医疗保健工作者、政策制定者和研究人员理解和利用 AI 在肺部疾病管理中的关键作用提供了重要启示。