正确且确定的脑肿瘤 MRI 分类在当前临床诊断、决策以及管理治疗方案中具有重要作用。在临床实践中,检查由专家通过视觉进行,这是一个劳动密集型且容易出错的过程。因此,需要基于计算机的系统来客观地执行此过程。在传统的机器学习方法中,提取并分类用于描述脑肿瘤 MRI 的低级和高级手工特征以克服上述缺点。考虑到深度学习的最新进展,我们在本研究中提出了一种新颖的卷积神经网络 (CNN) 模型,该模型结合了超列技术、预训练的 AlexNet 和 VGG-16 网络、递归特征消除 (RFE) 和支持向量机 (SVM)。所提模型的一大优势是,借助超列技术,它可以保留从深度架构不同层级的层中提取的局部判别特征。此外,所提模型通过融合从网络的最后全连接层获得的深度特征,充分利用了 AlexNet 和 VGG-16 网络的泛化能力。此外,使用 RFE 增强了所提模型的判别能力,从而揭示了最有效的深度特征。结果,所提模型在未使用任何手工制作的特征引擎的情况下获得了 96.77% 的准确率。确保了脑肿瘤 MRI 分类的全自动一致且有效的诊断模型。因此,所提模型有助于实现更客观的临床评估,支持专家的决策过程,并降低误诊率。
近年来,人工智能将人工智能整合到医疗保健中,DeepSeek成为提高临床决策和医院运营效率的领先解决方案[1]。自2025年1月以来,该技术在中国第三纪念医院的广泛采用表示医疗人工智能(AI)应用的范式转移。上海在开拓DeepSeek的实施方面发挥了关键作用,领先的医院利用该技术用于不同的应用[2]。fudan大学附属的华山医院是最早在多个平台上测试DeepSeek 70B及其完整模型的医院之一,可确保在Intranet环境中维持数据安全性的同时确保最佳的成本效果配置。与此同时,Ruijin医院与华为合作推出了中国的第一个病理AI模型Ruizhi Pathology,该模型可自动化病理幻灯片分析,并具有3,000张幻灯片的日常处理能力。随着进一步的多模式集成,该系统将扩展以涵盖复杂的诊断方案。同样,上海第四人医院已经实施了局部的DeepSeek部署,将30,000多个典型病例和区域治疗指南的医学知识基础整合在一起,提高了病历的产生效率并为医生提供精确的诊断支持。上海第六人医院的金山分公司已将DeepSeek完全融入医师工作站,为疾病诊断提供实时援助,并降低了复杂病例中误诊的风险。
年轻人(Mody)的成熟度发作性糖尿病是一种单身性糖尿病形式,以常染色体显性遗传的方式遗传,并且约占糖尿病病例的1% - 2%(1)。Mody的典型临床表现通常是三代或更多世代的家族病史,年轻时(25岁之前)疾病发作,没有1型糖尿病(T1DM) - 相关的自身抗体,无需进行胰岛素治疗,没有酮症趋势。目前,已经确定了由14个由14个不同致病基因突变引起的不同的Mody亚型。 Mody5是由于肝细胞核因子1 B(HNF1B)基因的突变引起的。Mody5的发病率很低,占MODY病例的5%(2)。Mody5的基因型和临床表型非常复杂,很容易引起误诊。几乎一半被诊断为Mody5(HNF1B突变)的患者的突变为整个基因缺失的形式(3)。此外,2012年第17季度的微缺失综合征,称为17q12缺失综合征,是一种罕见的染色体异常,是由于从17号染色体长臂中的一个区域缺失少量材料引起的。通过缺失15个以上的基因(包括HNF1B)来典型地构成,导致肾脏异常,肾囊肿,糖尿病综合征[肾脏囊肿和糖尿病(RCAD)],以及神经脱发性或神经性精神疾病(4)。在这里,我们报告了一名患者,他出现了糖尿病(DM) - 型Mody5作为17q12缺失综合征和糖尿病性胃手术(DGP)的特征。
癌症被认为是缩短患者平均寿命的最具侵略性和破坏性疾病之一。误诊脑肿瘤会导致虚假的医疗干预,从而减少了患者的生存机会。精确的脑肿瘤的早期医学诊断是开始治疗计划的重要点,以改善脑肿瘤患者的存活率。计算机辅助诊断系统为帮助医生做出准确的诊断提供了连续的成功,并在深度和机器学习领域取得了积极的进步。深卷积层与使用传统方法提取的区域提取了与感兴趣区域的强大区分特征。在这项研究中,通过结合深度学习和传统的机器学习技术来进行不同的实验,以进行脑肿瘤诊断。Alexnet和Resnet-18与脑肿瘤分类和诊断的支持矢量机(SVM)算法一起使用。使用平均滤波器技术增强了脑肿瘤磁共振成像(MRI)图像。然后,深入学习技术被应用于通过深卷积层提取强大而重要的深度特征。结合深度和机器学习技术的过程开始,其中使用深度学习技术(即Alexnet和Resnet-18)提取功能。然后使用SoftMax和SVM对这些功能进行分类。MRI数据集包含3,060张图像,分为四个类别,这是三个肿瘤,一个是正常的。所有系统都取得了卓越的结果。特别是Alexnet+SVM混合动力技术表现最佳,精度为95.10%,敏感性为95.25%,特异性为98.50%。
Santosh Kumar Hcltech,美国公司,摘要:小儿肺炎是全球发病率和死亡率的主要原因,需要准确及时诊断。 本研究探讨了使用胸部X光片对生成AI的应用对小儿肺炎进行分类。 利用深度学习技术,包括生成对抗网络(GAN)和变异自动编码器(VAE),我们增强了图像质量,生成合成训练数据并提高模型的通用性。 所提出的框架集成了AI驱动的特征提取,卷积神经网络(CNN)和注意机制,以提高诊断精度。 与传统方法相比,结果表现出分类性能的显着改善,重点是解释性和临床可用性。 关键字:生成AI,小儿肺炎,胸部X光片,卷积神经网络(CNN),生成对抗网络(GAN),数据增强,医学图像分类,肺炎诊断,深度学习,合成数据。 引言肺炎仍然是全球儿童死亡率的主要原因,并且必须通过胸部X光片进行准确的诊断。 但是,放射线解释的可变性和对专家放射科医生的访问有限的挑战。 生成的AI通过生成高质量的合成图像来提供一种变革性的方法,以用于模型训练和增强图像清晰度。 本研究研究了AI在肺炎分类中的作用,解决数据稀缺,改善模型概括并降低误诊率。Santosh Kumar Hcltech,美国公司,摘要:小儿肺炎是全球发病率和死亡率的主要原因,需要准确及时诊断。本研究探讨了使用胸部X光片对生成AI的应用对小儿肺炎进行分类。利用深度学习技术,包括生成对抗网络(GAN)和变异自动编码器(VAE),我们增强了图像质量,生成合成训练数据并提高模型的通用性。所提出的框架集成了AI驱动的特征提取,卷积神经网络(CNN)和注意机制,以提高诊断精度。与传统方法相比,结果表现出分类性能的显着改善,重点是解释性和临床可用性。关键字:生成AI,小儿肺炎,胸部X光片,卷积神经网络(CNN),生成对抗网络(GAN),数据增强,医学图像分类,肺炎诊断,深度学习,合成数据。引言肺炎仍然是全球儿童死亡率的主要原因,并且必须通过胸部X光片进行准确的诊断。但是,放射线解释的可变性和对专家放射科医生的访问有限的挑战。生成的AI通过生成高质量的合成图像来提供一种变革性的方法,以用于模型训练和增强图像清晰度。本研究研究了AI在肺炎分类中的作用,解决数据稀缺,改善模型概括并降低误诊率。生成模型与深度学习分类器的整合确保了小儿肺炎检测的稳健性和可靠性。方法论,本研究采用了混合AI框架,该框架结合了生成的对抗网络(GAN)和变异自动编码器(VAE),以进行数据增强,然后进行卷积神经网络(CNN)和基于变压器的分类器进行肺炎分类。
人工智能 (AI) 的最新进展促进了包括超声检查 (US) 在内的 AI 医学成像的发展。然而,忽视或误诊恶性病变可能会导致严重后果;将 AI 引入成像模式可能是防止人为错误的理想解决方案。对于医学成像 AI 的开发,有必要了解模式在任务设置背景下的特点、所需的数据集、合适的 AI 算法以及具有临床影响的预期性能。关于 AI 辅助超声诊断,在肿瘤学领域已经进行了多次尝试来构建图像数据库并开发 AI 辅助诊断系统。关于使用超声图像诊断肝肿瘤,据报道使用 AI 进行 4 或 5 类分类,包括区分肝细胞癌 (HCC)、转移性肿瘤、血管瘤、肝囊肿和局灶性结节增生。放射组学方法与人工智能的结合也正在成为预测肝癌患者治疗后结果的有力工具,表明人工智能在个性化医疗方面的应用潜力。然而,由于检查过程中的条件差异,超声图像表现出高度的异质性,各种成像参数可能会影响图像质量;这些条件可能会阻碍基于超声的人工智能的发展。在这篇综述中,我们总结了人工智能在医学图像领域的发展,包括任务设置、数据管理方面的挑战,并重点介绍了人工智能在肝肿瘤管理中的应用,尤其是超声诊断。
摘要 无法大规模检测已成为人类对抗 COVID-19 大流行的致命弱点。一种可在全球范围内部署的灵活、可扩展且经济高效的测试可以改变这场战争的格局。为了应对这一挑战,我们基于之前对各种呼吸系统疾病的咳嗽诊断所取得的良好成果,开发了一种基于人工智能 (AI) 的 COVID-19 初步诊断测试。该测试可通过名为 AI4COVID-19 的移动应用程序大规模部署。AI4COVID-19 应用程序需要受试者 2 秒的咳嗽记录。通过在云端运行的 AI 引擎分析咳嗽样本,该应用程序可在一分钟内返回初步诊断。不幸的是,咳嗽是二十多种与 COVID-19 无关的疾病的常见症状。这使得仅凭咳嗽来诊断 COVID-19 成为一个极具挑战性的问题。我们通过开发一种新颖的多管齐下的以介质为中心的风险规避 AI 架构来解决这个问题,从而最大限度地减少误诊。在撰写本文时,我们的 AI 引擎可以区分 COVID-19 患者的咳嗽和几种非 COVID-19 咳嗽,准确率超过 90%。随着更多更好的数据可用,AI4COVID-19 的性能可能会提高。本文提出了一个概念证明,以鼓励进行受控临床试验,并呼吁对咳嗽数据进行标记。AI4COVID-19 并非旨在与临床测试竞争。相反,它提供了一种可随时随地由任何人部署的补充远程测试工具,因此可以将临床测试和治疗引导到最需要的人身上,从而挽救更多生命。
背景:皮肤病通常被糖尿病患者忽视且经常误诊。这些是常见的并发症,并且在糖尿病中会遇到各种各样的疾病。目的和目标:本研究旨在评估 2 型糖尿病 (DM) 患者的各种皮肤表现。材料和方法:本研究在三级护理中心医院的皮肤科、糖尿病门诊进行。经机构伦理委员会批准和研究对象同意后,纳入了 240 名对象。所有对象均接受了临床检查 - 特别强调皮肤表现。采集血液样本并用于估算血糖、肝功能测试和肾功能测试、全血细胞计数、细菌感染 - 革兰氏染色和培养、真菌感染 - KOH(氢氧化钾)涂片、革兰氏染色(针对念珠菌)和培养。结果:200 人中,140 人(58.4%)为男性,100 人(41.6%)为女性。患者以 5、6 和 7 岁为主。主要见于软索病 22 例(9.1%)和念珠菌性龟头包皮炎 21 例(8.7%)。真菌、细菌和非感染性皮肤病分别为 90 例(37.5%)、54 例(22.5%)和非感染性皮肤病 112 例(46.6%)。细菌培养显示化脓性溃疡 8 例、疖病 6 例等。KOH 涂片阳性 22 例,培养阳性 16 例。在非感染性皮肤病中,24 例患者可见软索病。大多数患者服用口服降糖药。结论:本研究结果显示了 2 型糖尿病患者的人口统计学、社会因素和各种皮肤病表现的流行情况。
脑瘤是最危险和最具破坏性的疾病之一。晚期脑癌的死亡率更高。此外,脑瘤的误诊会产生危险并降低患者的生存机会。脑瘤的早期诊断有助于通过提供正确的治疗来挽救患者的生命。磁共振成像 (MRI) 和计算机断层扫描 (CT) 等计算机辅助医学成像技术有助于诊断疾病。因此,近年来,脑 MRI 分类成为一个活跃的研究领域。早期已经提出了许多用于 MRI 分类的方法,从经典方法到先进的深度学习 (DL) 算法,例如卷积神经网络 (CNN)。传统的机器学习 (ML) 技术需要手工制作的特征,而 CNN 通过卷积和池化层的参数调整直接从未处理的图像中提取特征来进行分类。使用 CNN 算法的特征提取主要受训练过程图像大小的影响。如果训练数据集大小较小,CNN 模型在某个时期后会过度拟合。因此,迁移学习技术得到了发展。在所提出的系统中,使用五种迁移学习架构(例如 AlexNet、Vgg16、ResNet18、ResNet50 和 GoogLeNet)进行五项研究,将脑 MRI 的临床数据集分类为良性和恶性。在脑 MRI 上应用数据增强技术来推广结果并减少过度拟合的可能性。在这个提出的系统中,经过微调的 AlexNet 架构分别实现了最高的精度、召回率和 f 测量值 0.937、1 和 0.96774。
成熟度 - 年轻(Mody)(Mody)是最常见的单基因糖尿病类别,是由单个基因中的单个或多个缺陷引起的,通常与分泌的β细胞缺陷有关,占分泌的β细胞缺陷,约为2.5% - 6.5% - 6.5% - 6.5%的儿科糖尿病(1)。与14个与14个不同基因的Mody基因有关的亚型被鉴定出来,目前已得到认可。GCK,HNF1A和HNF4A基因至少负责80%-85%的Mody病例(2)。Mody通常被误诊为1型(T1D)或类型2(T2D)糖尿病(3)。尤其是,近年来,全世界儿童和青少年的T2D急剧增加,再加上年轻人的超重和肥胖率很高(4,5)。一些研究人员怀疑早期发作的T2D表型和单基因糖尿病几乎同时出现,这使得对单基因糖尿病的诊断更加不敏感(6)。随着分子诊断方法的快速演变,基因检测既敏感又对大多数模式都是特定的。尽管仍然有一些基因(例如PAX4)的辩论。精确的分子诊断是必不可少的,因为它会导致无症状家庭成员的早期诊断,并允许对患者进行最佳治疗。喜欢,大多数GCK模型表现出一种轻度,无症状和稳定的空腹高血糖,通常不需要特定的药物(7)。磺酰氟脲除非HNF4A或HNF1A突变患者的胰岛素有效(8)。HNF1B中的突变与胰腺变育性,肾脏异常,生殖道畸形和肝功能障碍有关,应针对这些患者采用特殊的疗法。但有时与治疗计划一样,有时相同Mody的患者的临床表现有时不同。