XiaoMi-AI文件搜索系统
World File Search System眼底
基于人工智能的老年性黄斑变性结构功能相关性
摘要 灵敏且稳健的视网膜功能结果测量对于老年性黄斑变性 (AMD) 的临床试验至关重要。最近的一项发展是实施人工智能 (AI)，根据多模态成像的结果推断心理物理检查的结果。我们对 PubMed 和 Web of Science 等中引用的当前文献进行了审查，关键词为“人工智能”和“机器学习”，结合“视野测量”、“最佳矫正视力 (BCVA)”、“视网膜功能”和“老年性黄斑变性”。到目前为止，基于 AI 的结构功能相关性已被用于推断常规视野、眼底控制视野和视网膜电图数据，以及 BCVA 和患者报告结果测量 (PROM)。在新生血管性 AMD 中，BCVA 推断（以下称为推断 BCVA）可以估计 BCVA 结果，其均方根误差约为 7 – 11 个字母，与实际视力评估的准确性相当。此外，基于 AI 的结构功能相关性可以成功推断眼底控制视野 (FCP) 结果，包括中间视觉以及暗适应 (DA) 青色和红色测试（以下称为推断灵敏度）。可以通过添加简短的 FCP 检查来增强推断灵敏度的准确性，并且对于中间视觉、DA 青色和 DA 红色测试，平均绝对误差 (MAE) 可达到 ~3 – 5 dB。基于多模态成像的推断 BCVA 和推断视网膜灵敏度可被视为未来介入临床试验的准功能替代终点。
nexy 人工智能
缩写：AI，人工智能；ARMD，老年性黄斑变性。任何指征都是部分的，由人工智能软件提供。人工智能软件分析不能替代眼科医生的诊断。它仅用于检索所检查视网膜部分的特定特征。Nexy 处理在视网膜的有限部分拍摄的照片。即使未检测到异常默认值，也不能保证没有疾病。法律免责声明：Nexy 是一种免散瞳视网膜仪，无需通过瞳孔扩张眼底即可观察、捕捉和记录非常高清的图像。IIa 类医疗器械/EC 符合性声明。本文件中的信息旨在供视觉健康专业人士使用。使用前请仔细阅读使用说明。使用前需要接受 Nexy 培训。在某些条件下，健康保险涵盖检查。制造商：Nextsight，一家 Visionix 公司 - 由 Luneau Technology Operations 分销。 Nexy AI 软件是一款基于云的人工智能眼底图像分析软件，由 Visionary Intelligence 提供，可自动检测 Nexy 图像上超过 12 种不同视网膜病变的迹象。该软件给出的指示是临时的、部分的，并且基于视网膜的有限部分。III 类医疗器械/欧盟符合性声明。Nexy AI 软件适用于 Nexy 平台。
用于诊断糖尿病性视网膜病变发育阶段诊断的混合方法
摘要：糖尿病性视网膜病（DR）是糖尿病的并发症，会损害视网膜细腻的血管并导致失明。眼科医生通过对眼底进行成像来诊断视网膜。该过程需要很长时间，需要熟练的医生来诊断和确定DR的阶段。因此，使用人工智能的自动技术在分析底眼图像以检测DR开发阶段的过程中起着重要作用。但是，使用人工智能技术的诊断是一项困难的任务，并且经过许多阶段，而提取代表性特征对于达到令人满意的结果很重要。卷积神经网络（CNN）模型在高精度提取特征中起着重要而独特的作用。在这项研究中，使用两种建议的方法，将眼底图像用于检测DR的发育阶段，每个方法都有两个系统。第一个提出的方法将Googlenet与SVM和RESNET-18一起使用SVM。第二种方法基于使用GoogLenet，模糊颜色直方图（FCH），灰度级别共发生矩阵（GLCM）和局部二进制图案（LBP）提取的杂种特征，使用前馈神经网络（FFNN）；然后是RESNET-18，FCH，GLCM和LBP。所有提出的方法获得了较高的结果。具有RESNET-18，FCH，GLCM和LBP的混合特征的FFNN网络获得了99.7％的精度，精度为99.6％，敏感性为99.6％，特异性100％和99.86％的AUC。
source-free-domain-adaptive-fundus-image-segmentation- ...
摘要。本文研究了无源域的自适应基础分段，旨在使用未标记的图像将经过预告片的眼底分割模型调整为目标域。这是一项具有挑战性的任务，因为仅使用未标记数据调整模型是高度风险的。大多数现有方法主要是通过设计技术来仔细生成模型预测的伪标签并使用伪标签来训练模型来解决此任务。在经常获得正适应作用的同时，这些方法与两个主要问题有关。首先，它们往往相当不稳定 - 不正确的伪标签突然出现可能会对模型产生灾难性影响。第二，他们无法考虑前景（例如，杯子）区域通常很小的眼底图像的严重阶级失衡。本文旨在通过提出级别平衡的平均教师（CBMT）模型来解决这两个问题。CBMT通过提出一个弱小的卑鄙的教师学习计划来解决不稳定的问题，在该计划中，只有教师模型才能从弱增强的图像中生成伪标签，以训练学生模型以强烈的增强图像作为输入。教师被更新为训练有素的学生的平均值，这可能很吵。这阻止了教师模型突然受到伪标签的突然影响。对于类不平衡问题，CBMT提出了一种新型的损失校准方法，以根据全球统计数据突出前景类别。实验表明，CBMT很好地解决了这两个问题，并且在多个基准测试中的现有方法优于现有方法。
用于检测糖尿病视网膜病变的人工智能技术
未分析该数据集的人口统计学、糖尿病持续时间、种族、使用每个成像平台进行成像所需的时间以及瞳孔直径。EyeArt 和 EIDON 图像处理可能存在“黑匣子”问题（即输出计算方式缺乏透明度），因为该软件使用的参考参数或数据点可能与标准 45 度彩色眼底图像中使用的不同，因此分级可能存在差异。需要进一步研究以确定广角真彩色图像是否在 EyeArt 软件的诊断准确性方面具有优势。
基于人工智能的2型糖尿病视网膜病变筛查效果
根据国际糖尿病联合会的数据，2019 年全球约有 4.63 亿糖尿病患者，预测到 2045 年这一数字将增至 7 亿[1]。糖尿病视网膜病变（DR）是糖尿病最常见、最严重的并发症之一，是导致劳动人口失明的主要眼病[2–4]。据报道，不同国家的糖尿病患者中 DR 的患病率为 10%～61% [5]。但研究表明，早期对 DR 进行合理的干预和治疗，可取得良好的预防病情发展的效果，并显著降低失明率[6–8]。不幸的是，居住在县城、乡镇、村庄和边缘地区的人们往往缺乏足够的健康知识。等到这些人被发现患有DR时，往往已发展到严重阶段，造成了不可逆的视力损害，不仅影响患者的生活质量，也增加社会和家庭的经济负担，往往导致家庭陷入贫困。因此，扩大DR筛查区域，开展有针对性的防盲治盲，可以大大减少可治愈盲。遗憾的是，我国眼科医生数量不足，尤其在基层医疗机构，根据2016年中华医学会第21次全国眼科学会的数据显示，我国20%的县级医院没有设立眼科，即使设立眼科的机构，眼底病专科医生也寥寥无几，这些地区眼科医生与患者之比为1：3000[9]，极不平衡。因此，加大糖尿病患者筛查力度，提高人们对 DR 的知晓率、治疗率和控制率已成为我国主要公共卫生挑战之一[10–12]。基于人工智能（AI）的辅助手段对 DR 诊断高效、廉价、操作简便[13]。EyeWisdom 是智源慧图公司（Vistel）于 2017 年开发的基于人工智能算法的眼底疾病辅助诊断系统，主要包括针对 DR 的辅助诊断系统 EyeWisdom DSS 软件和以眼科多疾病筛查为核心功能的系统 EyeWisdom MCS 软件[14]。EyeWisdom 可通过人工智能算法根据受试者的眼底照片和病史筛查 DR、青光眼、年龄相关性黄斑变性等近 20 种不同的眼部疾病。它不仅可以直观地对筛查结果提供建议，还可以显示微血管瘤、视网膜出血、硬性渗出、棉绒斑等9种典型DR病变，帮助临床医生确认检查结果。此外，这款眼底图像分析软件是一款云端产品，结合互联网和5G技术，可实现实时远程医疗，从读取图像到输出结果仅需10秒。EyeWisdom AI算法已在临床实践中进行了训练，并通过EyePACS数据库获得的视网膜图像进行了验证[15]。但目前尚无关于眼底病诊断和分级疗效的报道
Domenico Tegolo 的简历
科学简介：主要研究活动是图像分析、模式识别、并行计算和非标准图像数据库。与国际中心合作，研究和开发了一套方法，涉及人类大脑神经元、眼底、视频毛细血管镜图像分析、图像检索、超声图像分割和分布式架构的标志性图像语言。目前，他正在研究数学方法，以在 MRI 数据上分割人体中的一些特殊癌症区域；研究数学计算模型如何模拟海马区神经元的分布，以及如何使用它们的关系来做出决策和了解环境。此外，他还在研究视频毛细血管镜领域的增强现实框架。
脑型疟疾的视网膜成像技术
我们找到了 21 篇论文，这些论文报告了在彩色眼底照相或 FA 上自动检测视网膜病变的结果。这些表格的结果总结在表 3 中。用于评估 AI 模型的指标总结在图 5 中。Dice 系数 (DC) 是图像分割分析中经常应用的一种指标，用于将模型识别的像素或区域与一个或多个专家识别的像素或区域进行比较。由于没有 MR 的儿童应该彻底检查昏迷的其他原因，因此大多数算法都针对高特异性而不是灵敏度进行了优化。除了灵敏度和特异性之外，还使用了受试者工作曲线 (ROC)，基于此
开发适合中国机械化生产的新甘蔗品种：原则，策略和前景
作为眼部系统的基本组成部分，视网膜在促进人类视觉功能方面起着至关重要的作用。视网膜位于眼后区域，在将传入的光转化为电脉冲中起着至关重要的作用。这些信号随后由视神经传播到大脑（Yokomizo等，2019）。基于视网膜的固有特征，它具有作为眼部疾病的指标以及许多生理状况（包括但不限于糖尿病和神经系统疾病）的能力（Montesano等，2021; Zhou等，2021）。利用眼底视网膜成像评估可以揭示许多视网膜疾病，例如糖尿病性病变（DR），青光眼和与年龄相关的黄斑变性（AMD）。重要的是要承认，居住在亚洲人
心脏、眼睛和人工智能：评论
心脏病仍然是美国的第一大死亡原因。基于深度学习的人工智能 (AI) 方法在研究心血管疾病的各种因素中变得越来越普遍。使用视网膜扫描技术诊断视网膜疾病（如糖尿病视网膜病变、老年性黄斑变性、青光眼等）的使用已得到广泛记录，使用眼底照片和光学相干断层扫描血管造影 (OCTA)。研究人员现在正在寻求将 AI 的强大功能与视网膜扫描的非侵入性便捷性相结合，以检查心脏的运作并根据微血管的特征和功能预测大血管的变化。在这篇综述中，我们总结了使用视网膜成像诊断心血管问题和其他疾病领域的现状。