深度学习——生物医学研究和临床诊断的新助手

人工智能是当前最热门的研究主题之一,其发展不仅给人们的生活带来便利,同时也能与其他前沿领域相整合,协助数据处理和结果预测,其中深度学习技术表现尤为突出。阐述了深度学习技术在生物医学多个领域中的广泛应用,简要介绍其常用方法和模型,包括人工神经网络、深度神经网络、卷积神经网络和循环神经网络;总结其在生物医学影像分析、组学数...     

数据挖掘技术在生物医学领域的应用

阐述了数据挖掘技术基本流程及其在生物医学领域的应用前景 ,介绍了近年来国内外研究学者运用数据挖掘技术在 DNA分析、医学影像数据自动分析以及多种生理参数监护数据分析领域的研究趋势和发展方向     

数据挖掘技术在生物医学领域的应用

阐述了数据挖掘技术基本流程及其在生物医学领域的应用前景，介绍了近年来国内外研究学运用数据挖掘技术在DNA分析、医学影像数据自动分析以及多种生理参数监护数据分析领域的研究趋势和发展方向。     

大数据分析技术及其在医药领域中的应用

随着“大数据时代”的来临,大数据在医药领域中将发挥越来越重要的作用,基于基因组学大数据和现代生物医学技术的个性化医疗,即精准医学,是未来医学的发展方向.如何获取、分类、存储大数据,如何挖掘大数据中有价值的信息,以及如何将大数据有效地应用于医药领域是目前研究的热点领域.本文对大数据及其特征、大数据分析技术以及大数据在医药领域的应用进行综述.     

迁移学习在生物医药领域的应用

生物医学领域经常涉及多种数据类型,如图像、时间序列、各种组学分子数据等,通常存在样本稀缺和异质性的问题。如何充分利用有限的数据,同时解决数据的异质性问题,是生物医学领域面临的重要问题。迁移学习在生物医学领域的应用正在迅速推进。该方法可以缩小源域和目标域的差异,通过学习源域中已有的知识并提取两域的共享因子,将预测任务从源域迁移至目标域中。根据源域、目标域和两域任务的不同,迁移学习具有 3 种不同的应用场景。该文对迁移学习在生物医学领域的应用进行了分析,并结合 3 种场景下的不同应用实例进行对比,以探索迁移学习在该领域的现状和发展前景。     

人工智能在肿瘤基因表达数据中的应用研究进展

肿瘤是影响人类健康的严重疾病,早期诊断对提高治疗成功率和患者生存率至关重要。肿瘤基因表达数据的研究已经成为揭示肿瘤疾病机制的主要工具,人工智能在肿瘤基因表达数据分析中扮演着重要角色。本文从机器学习方法的角度,探讨监督式学习、无监督式学习和深度学习在肿瘤预测和分类中的潜在优势,特别关注特征选择算法对基因筛选的影响及其在高维度基因表达数据中的重要性。通过全面综述人工智能在肿瘤基因表达数据分析中的应用与发展,旨在为未来的研究方向提供参考,促进进一步发展。     

基于深度学习的医学图像识别研究进展

近年来,随着医学影像技术的快速发展,医学图像分析步入大数据时代,如何从海量的医学图像数据中挖掘出有用信息,对医学图像识别带来巨大的挑战。深度学习是机器学习的一个新领域,传统的机器学习方法不能有效地挖掘到医学图像中蕴含的丰富信息,而深度学习通过模拟人脑建立分层模型,具有强大的自动特征提取、复杂模型构建以及高效的特征表达能力,更重要的是深度学习方法能从像素级的原始数据中逐级提取从底层到高层的特征,这为解决医学图像识别面临的新问题提供了新思路。首先阐述深度学习方法,列举深度学习方法的三种常见的实现模型,并介绍深度学习的训练过程;随后总结了深度学习方法在疾病检测与分类和病变识别两方面的应用情况,以及深度学习应用在医学图像识别中的两个共性问题;最后对深度学习在医学图像识别中存在的问题进行分析及展望.     

深度学习在放射学科和麻醉学交叉领域的应用进展

随着互联网和人工智能的应用,很多医疗领域变得更加高效和可靠。现代麻醉学的范畴已经不再局限于手术室内,还包括门诊、内镜科等,这就使麻醉医生的负担进一步加重。放射学科与麻醉学的结合为麻醉手术提供了更精确、更安全和更高效的方法,而深度学习技术的快速发展为该领域带来了许多前沿创新。该文综合归纳了近年来深度学习在该交叉领域的相关研究成果,并对相关应用进行了分类和总结。通过对文献的分析,该文重点讨论了医学影像领域的图像识别和目标定位等具体应用,并探讨了深度学习在麻醉学领域的局限性和未来发展方向。     

基于深度学习的心力衰竭临床研究进展

心力衰竭是一种严重危害人类健康的疾病，已成为全球公共卫生问题。基于医学影像、临床等数据进行心力衰竭诊断与预后分析能揭示心力衰竭的病程规律，从而降低患者死亡风险，具有重要研究价值。传统基于统计学与机器学习的分析方法存在模型能力不足、先验依赖造成的准确性差、模型适应性不佳等问题。近年来，随着人工智能技术的发展，深度学习方法逐渐开始在心力衰竭领域的临床数据分析应用中展现出新的前景。本文综述深度学习在心力衰竭诊断、心力衰竭生存风险、心力衰竭再入院等方面的主要工作进展、应用方式与主要成果，总结目前存在的问题，提出相关研究展望，以促进深度学习在心力衰竭临床研究的临床应用。     

虚拟现实技术在神经外科手术规划及教学培训中的应用

虚拟现实(VR)技术利用计算机技术对现实的运动进行模拟和声像演示,其特征包括构想性、交互性和沉浸性。VR技术已广泛应用于现代生物医学领域,给医疗的发展带来巨大而深远的影响。本文首先概述了VR技术在医学领域的应用,然后详述了VR技术在神经外科手术中的优势及其在神经外科教学培训的应用。     

Leveraging deep learning to improve vaccine design

Deep learning has led to incredible breakthroughs in areas of research, from self-driving vehicles to solutions, to formal mathematical proofs. In the biomedical sciences, however, the revolutionary results seen in other fields are only now beginning to be realized. Vaccine research and development efforts represent an application with high public health significance. Protein structure prediction, immune repertoire analysis, and phylogenetics are three principal areas in which deep learning is poised to provide key advances. Here, we opine on some of the current challenges with deep learning and how they are being addressed. Despite the nascent stage of deep learning applications in immunological studies, there is ample opportunity to utilize this new technology to address the most challenging and burdensome infectious diseases confronting global populations.     

医学图像深度学习处理方法的研究进展

由于医学图像数据爆炸式增长,传统依靠医生人工对医学图像进行分析诊断,不仅工作效率低下,工作量大,还容易误诊、漏诊。随着人工智能(artificial intelligence,AI)技术的发展与应用,机器学习(machine learning,ML),尤其是深度学习(deep learning,DL)在医学图像分析领域发挥着越来越重要的作用。本文对DL在医学图像自动分割和分类识别中的研究进展进行综述,为DL在解决医学图像分析诊断方面提供有益参考。     

Methods and applications of full-field optical coherence tomography: a review

SignificanceFull-field optical coherence tomography (FF-OCT) enables en face views of scattering samples at a given depth with subcellular resolution, similar to biopsy without the need of sample slicing or other complex preparation. This noninvasive, high-resolution, three-dimensional (3D) imaging method has the potential to become a powerful tool in biomedical research, clinical applications, and other microscopic detection.AimOur review provides an overview of the disruptive innovations and key technologies to further improve FF-OCT performance, promoting FF-OCT technology in biomedical and other application scenarios.ApproachA comprehensive review of state-of-the-art accomplishments in OCT has been performed. Methods to improve performance of FF-OCT systems are reviewed, including advanced phase-shift approaches for imaging speed improvement, methods of denoising, artifact reduction, and aberration correction for imaging quality optimization, innovations for imaging flux expansion (field-of-view enlargement and imaging-depth-limit extension), new implementations for multimodality systems, and deep learning enhanced FF-OCT for information mining, etc. Finally, we summarize the application status and prospects of FF-OCT in the fields of biomedicine, materials science, security, and identification.ResultsThe most worth-expecting FF-OCT innovations include combining the technique of spatial modulation of optical field and computational optical imaging technology to obtain greater penetration depth, as well as exploiting endogenous contrast for functional imaging, e.g., dynamic FF-OCT, which enables noninvasive visualization of tissue dynamic properties or intracellular motility. Different dynamic imaging algorithms are compared using the same OCT data of the colorectal cancer organoid, which helps to understand the disadvantages and advantages of each. In addition, deep learning enhanced FF-OCT provides more valuable characteristic information, which is of great significance for auxiliary diagnosis and organoid detection.ConclusionsFF-OCT has not been completely exploited and has substantial growth potential. By elaborating the key technologies, performance optimization methods, and application status of FF-OCT, we expect to accelerate the development of FF-OCT in both academic and industry fields. This renewed perspective on FF-OCT may also serve as a road map for future development of invasive 3D super-resolution imaging techniques to solve the problems of microscopic visualization detection.     

深度学习在数字病理中的应用

临床上,病理切片是癌症诊断的金标准。病理医生通过对病理切片进行镜检,完成病理诊断和预后评估,但是这个过程通常费时费力。在病理切片的数字化的背景下,人工智能技术走进病理领域,并推动病理分析逐渐从定性分析向定量分析转变,这一改变使病理诊断更加准确客观。尤其是以深度学习为代表的人工智能技术在病理分析中取得令人瞩目的成果,不但使病理诊断更加智能化,而且使诊断结果更加精准和客观。阐述深度学习的基本概念及其在数字病理切片分析中的应用,简要概述深度学习在细胞和组织的检测和分割、组织层面上癌症的分类和分级的应用,以及其他一些应用,最后指出目前数字病理切片分析中存在的问题并对未来的发展方向提出展望。     

深度学习在微创手术视频分析中的应用研究综述

深度学习理论在微创手术视频分析中的应用日趋广泛,在微创手术工具检测与跟踪、微创手术工具存在检测和微创手术流程识别等领域已取得令人瞩目的成果。从长远来看,对微创手术视频内容进行细致分析,不但可以自动识别正在进行的微创手术任务,而且可以用来提醒临床医生注意可能出现的并发症。近年来,随着技术的不断发展,深度学习在微创手术视频分析中的应用已取得很大的进展。首先系统阐述微创手术视频分析的意义、难点和相关技术内容,重点介绍深度学习算法的优势;然后总结近年来深度学习在微创手术工具检测与跟踪、微创手术工具存在检测及微创手术流程识别等领域取得的研究成果,在微创手术视频分析的不同领域基于算法特点进行分类总结,并对不同算法进行比较评价;最后,对微创手术视频分析未来的发展方向进行展望。     

深度学习在细胞图像分析中的应用进展

随着显微技术的不断发展,显微镜已克服人眼的局限性成为研究细胞生物学必不可少的工具。近年来,显微技术在速度、规模以及分辨率等方面都有了巨大的进步。深度学习在图像处理尤其是细胞图像处理中的应用受到广泛关注。本文针对深度学习在细胞图像分析中常用的算法进行介绍,并对近几年深度学习在细胞图像处理中的应用进行详细论述,包括图像分类、图像分割、目标跟踪、图像超分辨重建4个方面。最后展望了深度学习在细胞图像分析中的机遇和挑战。     

深度学习算法在脑电信号解码中的应用

近年来深度学习算法得到飞速发展,在生物医学工程领域的应用也越来越广泛。其中,利用深度学习算法从脑电信号(EEG)中解码生理、心理或病理状态也受到越来越多的关注。综述近年来深度学习算法在EEG解码中的应用,介绍常用算法、典型应用场景、重要进展和现存的问题。首先,论述常用于EEG解码的几类深度学习算法的基本原理,包括卷积神经网络、深度信念网络、自编码器和循环神经网络等。然后,讨论深度学习算法的几个典型EEG解码应用场景,包括脑机接口、情绪与认知识别、疾病辅助诊断。结合应用实例,归纳深度学习算法在EEG解码中的常见问题、解决方案、主要进展和研究趋势。最后,总结深度学习应用于EEG信号解码中仍待解决的一些关键问题,如参数复杂度、训练时间以及泛化能力等。