XiaoMi-AI文件搜索系统
World File Search System眼科
眼科领域的人工智能和深度学习
摘要 近年来，基于深度学习 (DL) 的人工智能 (AI) 引起了全球的极大兴趣。DL 已广泛应用于图像识别、语音识别和自然语言处理，但对医疗保健的影响才刚刚开始。在眼科领域，DL 已应用于眼底照片、光学相干断层扫描和视野，在检测糖尿病视网膜病变和早产儿视网膜病变、青光眼样视盘、黄斑水肿和老年性黄斑变性方面实现了强大的分类性能。眼部成像中的 DL 可与远程医疗结合使用，作为筛查、诊断和监测初级保健和社区环境中患者主要眼部疾病的可能解决方案。尽管如此，DL 在眼科中的应用也存在潜在挑战，包括临床和技术挑战、算法结果的可解释性、法医学问题以及医生和患者对 AI“黑箱”算法的接受度。DL 可能会彻底改变未来眼科的实践方式。本综述概述了针对眼科应用的最先进的 DL 系统、临床部署中的潜在挑战以及未来发展方向。
人工智能驱动的有效镜片位置预测提高了现有镜片公式的准确性 Tingyang Li，BS 1；Joshua D. Stein，MD，MS 2,3,4； Nambi Nallasamy，医学博士 1,2 1 密歇根大学计算医学和生物信息学系 2 密歇根大学凯洛格眼科中心眼科和视觉科学系 3 密歇根大学眼科政策与创新中心，密歇根州安娜堡 4 密歇根大学公共卫生学院卫生管理与政策系，密歇根州安娜堡 通讯作者：Nambi Nallasamy，医学博士 密歇根大学凯洛格眼科中心 1000 Wall St Ann Arbor, MI 48105 电话：(734) 763-5506 传真：(734) 936-2340 字数：2589
摘要 目的：评估结合机器学习 (ML) 方法准确预测术后前房深度 (ACD) 是否能提高现有人工晶状体 (IOL) 计算公式的屈光预测性能。方法：密歇根大学凯洛格眼科中心收集了 4806 名白内障患者的数据集，并将其分为训练集（80% 的患者，5761 只眼睛）和测试集（20% 的患者，961 只眼睛）。使用先前开发的基于 ML 的方法根据术前生物测量预测术后 ACD。使用回归模型将这种基于 ML 的术后 ACD 集成到新的有效晶状体位置 (ELP) 预测中，以重新调整四个现有公式（Haigis、Hoffer Q、Holladay 和 SRK/T）中的每一个的 ML 输出。使用测试数据集比较了具有 ML 修改的 ELP 的公式的性能。通过屈光预测中的平均绝对误差 (MAE) 来衡量性能。结果：当用原始 ELP 和 ML 预测的 ELP 的线性组合替换 ELP 时，测试集中的 MAE ± SD（以屈光度为单位）为：Haigis 为 0.356 ± 0.329，Hoffer Q 为 0.352 ± 0.319，Holladay 为 0.371 ± 0.336，SRK/T 为 0.361 ± 0.331，明显低于原始公式的 MAE ± 0.328：Haigis 为 0.408 ± 0.337，Holladay 为 0.384 ± 0.341，SRK/T 为 0.394 ± 0.351。结论：使用更准确的预测术后 ACD 可显著提高现有四种 IOL 度数公式的预测准确性。
特邀评论 眼科领域的人工智能...
采用 AI 应用程序的一个关键要素是算法的可解释性、过度拟合和可重复性。具体而言，AI 模型受到可解释性或黑盒限制的影响，因为它们依赖于复杂的非线性、多维决策边界。这些模型还存在过度拟合的问题，可以识别医学图像中完全不相关的强目标相关伪影，导致泛化能力差。因此，得出误导性预测的可能成本反而非常高昂且耗时。因此，必须使用最先进的技术来识别 AI 模型中的任何这些问题。例如，激活图（也称为加热图）显示了模型在使用亮度进行预测时关注的内容。因此，它可以突出显示每个预测的关注领域，这可能有助于人类理解 AI 模型用于得出结果的过程。
眼科中的羊膜移植
目的：本文的目的是在眼科环境中对不同临床应用进行简洁的文献综述，从常用应用到较少主流方法。希望这本综述使读者能够更好地了解羊膜的生物学特性，以及可以使用AMT的指示和场景，同时从文献中提供了相关的证据，这可能是您感兴趣的。我们还提供了保存羊膜和应用方法的方法的更新。方法：文献搜索。使用搜索词“羊膜移植”，“羊膜和角膜”，“羊膜和眼科”，“羊膜和眼表面”以及“羊膜表面”以及“羊膜和眼睛”进行了PubMed搜索。使用PubMed数据库对文献进行了完整审查，直到01/05/20。使用的文章用英语编写，所有文章均已完整访问。审查文章和原始文章都用于此评论。考虑了与眼科有关的所有完整出版物。关键字：羊膜，羊膜移植，羊膜膜移植，羊膜膜
引用：Ahn H. 基于症状对眼科急诊严重程度进行分类的人工智能方法：一项验证研究。BMJ Open 2020；10：e037161。doi:10.1136/bmjopen-2020-037161
摘要 目的 我们研究了机器学习人工智能 (AI) 在对眼科急症严重程度进行分类以便及时就诊方面的有效性。 研究设计 这项回顾性研究分析了 2019 年 5 月至 12 月期间首次访问大邱武装部队医院的患者。患者的一般信息、事件和症状是输入变量。事件、症状、诊断和治疗是输出变量。输出变量分为四类（红色、橙色、黄色和绿色，表示立即或无紧急情况）。在所有训练程序之前，随机选择了大约 200 例类平衡验证数据集。采用了一种集成 AI 模型，该模型结合了全连接神经网络和合成少数过采样技术算法。 参与者 共纳入 1681 名患者。 主要结果 使用准确度、精确度、召回率和 F1 分数来评估模型性能。 结果 该模型的准确率为 99.05%。各类别（红色、橙色、黄色和绿色）的准确率分别为 100%、98.10%、92.73% 和 100%。各类别的召回率分别为 100%、100%、98.08% 和 95.33%。各类别的 F1 得分分别为 100%、99.04%、95.33% 和 96.00%。结论我们为基于症状对眼科急诊严重程度进行分类的 AI 方法提供了支持。
面向眼科专家的人工智能、机器学习和深度学习
机器学习系统可以使用可大致分为监督学习或无监督学习的方法进行训练。监督学习涉及向系统提供关于每个示例的正确输出的明确反馈（“监督”）。例如，在训练过程的早期，图像分类器可能会猜测正确的输出（例如，图像中是否包含猫），之后它会得到关于该猜测是否正确的反馈。相比之下，无监督学习涉及学习数据的结构，而不需要了解正确的输出（21,22）。由于没有标签，无监督学习往往需要比监督方法更多的数据。为了从两种方法中获益，存在两种方法的混合（半监督学习），但迄今为止在眼科中较少使用。
蓝眼科技——人工智能
Aanchal752@gmail.com , Mukesharya808@gmail.com 摘要 你有没有想过一台计算机，我们可以像彼此互动一样与之互动？假设忙碌了一天下班后，你走到电脑前，打开电脑后，电脑会告诉你，“你好，我的朋友，看来你今天心情不太好”。之后，它会打开一些播放列表，播放一些歌曲来让你高兴。这似乎是不可能的，但在未来，通过“蓝眼技术”，这将成为可能。这背后的主要目的是赋予人类一些力量。我们人类通过面部表情了解彼此的情绪。通过将人类的这些感知能力添加到计算机中，它将能够与人类交流。“蓝眼技术”旨在提供具有与人类一样感知能力的机器。关键词：蓝眼、情绪鼠标、表情玻璃、情绪识别、眼神表达、魔法指向、蓝牙、语音识别、简单用户兴趣追踪器（SUITOR）。
人工智能与眼科
人工智能发展迅速，已渗透到我们生活的各个领域。本综述讨论了人工智能在眼科领域以及相关医学伦理主题中的应用发展和潜在实践。在书籍、期刊、搜索引擎、印刷品和社交媒体中研究了与眼病诊断相关的各种人工智能应用。交叉检查了资源以验证信息。人工智能算法已被用于眼科领域，尤其是在诊断研究中，其中一些算法已获得美国食品药品管理局的批准。正在进行的研究证明人工智能算法可用于眼科领域，尤其是在糖尿病视网膜病变、老年性黄斑变性和早产儿视网膜病变方面。其中一些算法已进入审批阶段。人工智能研究的现状表明，这项技术已经取得了长足的进步，并显示出未来工作的前景。人们相信，人工智能应用将有效地识别可预防视力丧失的患者并将他们引导至医生处，特别是在发展中国家，因为那里训练有素的专业人员较少，医生也难以联系到。当我们考虑到未来的某些人工智能系统可能成为道德/伦理地位的候选者时，就会出现某些伦理问题。在应用伦理学的某些领域，道德/伦理地位问题很重要。尽管人们普遍认为当前的智能系统不具备道德/伦理地位，但尚未确定赋予道德/伦理地位的具体特征是什么或将是什么。关键词：人工智能、机器学习、深度学习、眼科、医学伦理
