人工智能技术在医学影像中的应用讨论

深度神经网络是新一代人工智能技术,其在自然语言处理、学习能力、计算机视觉上将机器的认知能力推向了新的高度。目前,深度神经网络在医学影像中的应用主要集中在发现异常、量化测量和鉴别诊断3个方面,基于深度神经网络的医学影像研究已涉及放射影像、病理图像、超声影像、内镜影像等多个领域。深度神经网络在一些任务场景中已展现出与医师相当甚至超越医师的表现。在人工智能技术高速发展的大环境下,医师群体应客观冷静地看待技术、科学严谨地评价技术、积极开放地参与技术的提升与应用,成为技术的驾驭者,走向人工智能技术辅助下的医疗服务未来。     

从临床医生角度,看人工智能在癌症精准诊疗中的应用及思考

在癌症的精准诊疗中,以深度学习为代表的人工智能技术日益展现出巨大的潜力.在医学影像、病理学等领域,人工智能技术的出现不仅有望大大降低相关科室人员的工作量,通过对影像、病理学图片进行定量描述,人工智能技术也可进一步挖掘出医学数据中潜在的复杂模式.综述首先对目前流行的人工智能技术进行简单的介绍.其次,重点探讨了深度学习技术...     

影像组学结合人工智能评估甲状腺乳头状癌颈部淋巴结转移的研究进展

甲状腺癌是内分泌系统最常见的恶性肿瘤之一，其中90%的病理类型为甲状腺乳头状癌（PTC）。虽然PTC的预后较好，但是易发生颈部淋巴结转移。术前预测PTC患者颈部淋巴结转移情况有重要意义，而目前临床上的评估手段效能均不满意。近年来，随着精准诊疗理念的提出和科学技术的发展，影像组学在医学领域的运用得到了飞速发展，是目前的研究热点。影像组学结合人工智能算法（深度学习、机器学习）在预测及评估颈部淋巴结转移情况上均有很大进展，可明显提高PTC颈部淋巴结转移诊断效能。本文就影像组学结合人工智能评估PTC颈部淋巴结转移的研究进展作一综述。     

基于MRI影像组学在乳腺癌腋窝淋巴结转移评估中的研究进展

乳腺癌是全球最常见的癌症,目前已成为女性癌症死亡的最主要原因。而乳腺癌患者的腋窝淋巴结是否转移对患者的预后判断、肿瘤分期、治疗方式选择等具有重要意义。影像组学作为一种新兴技术,已广泛应用于乳腺癌的诊断、鉴别诊断及预后评估等方面,并在预测乳腺癌腋窝淋巴结转移方面具有巨大潜能。因此,本文基于M R I的影像组学在乳腺癌腋窝淋巴结转移评估中的研究进展予以综述,以期为其在临床上的应用提供参考价值。     

智能医学影像识别研究现状与展望

智能医学影像识别是基于人工智能技术,对X线片、计算机断层扫描、磁共振成像等常用医学影像学技术扫描图像和手术视频进行分析处理的过程,其发展方向主要包括智能影像诊断、影像三维重建与配准、智能手术视频解析等。智能影像诊断和影像三维重建与配准可提高影像识别的效率和质量,为疾病诊断和治疗提供帮助;智能手术视频解析可帮助外科医师学习、理解外科手术,并进一步指导手术过程。目前,对该领域的研究已取得一定的进展,正在逐步走向临床应用。本文就智能医学影像识别取得的进展进行总结,并对该领域的发展前景进行展望。     

影像组学在乳腺癌分子分型及肿瘤微环境研究中的应用

摘　要：乳腺癌发病率居全球女性恶性肿瘤之首。随着科技进步,乳腺疾病诊断技术也从传统阅片诊断向人工智能 辅助诊断的方向发展,包括影像组学、机器学习和深度学习等技术。影像组学是一种综合利用多模态医学影像数据的定 量分析方法,旨在提取和分析影像中的大量特征,并将其与临床、病理、分子等数据关联,以实现个体化的疾病诊断、预测 和治疗策略的制定。该文旨在综述影像组学在乳腺癌研究中的进展,特别关注分子分型的识别和肿瘤微环境的探索。     

人工智能医学影像技术在胰腺神经内分泌肿瘤分级中的应用

胰腺神经内分泌肿瘤是一组临床表现多变的、具有显著异质性和复杂性的肿瘤,发病率低,具有恶性潜能。它的组织学分级对治疗方案的选择和预后评估具有重要意义,若能在手术前评估患者的病理分级,将有助于治疗策略的选择和预后评估。随着人工智能的蓬勃发展,以深度学习、影像组学、纹理分析技术为代表的人工智能精准影像分析技术可对图像表征信息进行更为深入的分析和阐释,这些图像表征信息与病理分级具有相关性。本文针对人工智能医学影像技术在神经内分泌肿瘤分级中的应用现状和进展作一综述。     

影像组学预测甲状腺乳头状癌中央区淋巴结转移

目的探讨影像组学方法提取甲状腺乳头状癌（PTC）的纹理特征以预判颈部中央区淋巴结转移的可能性。方法前瞻性 收集本院接受甲状腺细针穿刺活检证实为PTC的189例患者,常规超声检查有无中央区淋巴结转移;然后基于其PTC的超声横 切面、纵切面及双切面的纹理特征,利用随机森林方法对纹理特征进行筛选并建立预测模型,预测颈部中央区淋巴结是否发生 转移,并以最终手术病理结果为金标准进行比对。结果189例患者中,术前甲状腺超声检查诊断颈部中央区淋巴结转移的准确 率为35%,灵敏度为28.6%,特异度为55%。影像组学分析PTC的超声横切面/纵切面/双切面预测颈部中央区淋巴结转移的准 确率为66.06%／68.12%/77.69%,灵敏度为53%/46%/40%,特异度为52%/53%/51%。结论结合PTC的超声横及纵双切面纹理 特征,影像组学方法预测颈部中央区淋巴结转移的准确性较单切面高,且远高于常规超声检查的准确率。     

深度学习在乳腺超声中的研究进展

超声检查在乳腺癌的筛查、诊断中承担着重要的角色，随着计算机与信息技术的发展，人工智能与医学影像学进行深度融合是近年来的研究热点。深度学习是算法模型研究的热门，超声与深度学习相结合对乳腺病变进行检测和分类，可提高影像医师的诊断效能，缩短诊断时间。随着深度学习研究领域的不断拓展，越来越多具有开创性的研究聚焦乳腺癌诊疗全过程，通过构建不同算法模型，融入多模态影像、临床信息等方法，预测乳腺癌分子分型、腋窝淋巴结转移情况和新辅助化疗反应等，为乳腺癌的疗效评估、随访提供了一种新的辅助手段。本文基于深度学习在乳腺超声中的研究进展作一述评。     

人工智能与3D影像重建在前列腺肿瘤诊治中的应用探讨

近年来,3D影像重建在前列腺癌诊治中的应用越来越多,而人工智能的出现,使3D影像重建有了更为广阔的应用空间。人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学,其在医学影像、机器人辅助手术等方面有初步应用。图像识别、深度学习是医学人工智能的核心技术,本文对人工智能结合3D影像重建在前列腺肿瘤的诊断、治疗中的应用现状及前景进行了探讨。     

胆囊癌淋巴结状态精准评估策略

淋巴结转移是胆囊癌（GBC）最常见的转移方式，准确的淋巴结状态评估对于GBC患者预后评估、治疗方案选择及手术切除范围等均具有重要的指导意义。目前对于GBC淋巴结状态评估仍存在较多问题与争议。本文从术前、术中及术后三个方面，结合近年来快速发展的人工智能及影像组学技术对GBC淋巴结状态评估现状及存在问题作一述评     

基于甲状腺超声图像建立甲状腺乳头状癌中央区淋巴结转移人工智能诊断模型

目的 基于甲状腺超声图像建立甲状腺乳头状癌中央区淋巴结转移人工智能诊断模型。方法 回顾性分析2018年1至12月于中国人民解放军总医院第一医学中心行甲状腺切除及颈部中央区淋巴结清扫的309例甲状腺乳头状癌(PTC)患者的临床资料及超声图像,病理结果为金标准。所有病例被分为训练集(265例)、测试集(44例)。基于深度学习方法建立甲状腺超声图像预测PTC患者中央区淋巴结转移的计算机辅助诊断系统。在测试集中评估该系统的诊断性能。结果 在测试集中,本模型预测PTC患者中央区淋巴结转移的准确性、敏感性、特异性和受试者工作特征曲线下面积可达80%、76%、83%、0.794。结论 基于深度学习的人工智能诊断模型可用于诊断甲状腺乳头状癌患者中央区淋巴结转移,可为临床选择治疗方案提供依据。     

MSCT纹理影像对原发性直肠癌患者淋巴结转移的预测效果

目的探讨多层螺旋电子计算机断层扫描(MSCT)纹理分析对原发性直肠癌患者淋巴结转移的预测效果。方法回顾性分析2015年5月至2019年5月间收治的60例原发性直肠癌患者临床资料,所有病例均经手术病理确诊。患者术前均进行MSCT检查,评估MSCT诊断淋巴结转移的效能,比较有无淋巴结转移者的纹理分析参数分析,绘制ROC曲线评估纹理分析参数的诊断效能。结果MSCT诊断N0、N1、N2分期准确率分别为83.33%、70.00%、83.33%,总准确率为68.33%(41/60);直肠癌无淋巴结转移者短径、峰度、熵均低于直肠癌有淋巴结转移者(P<0.05),有无淋巴结转移者方差、峰度和逆差矩对比差异无统计学意义(P>0.05);短径、峰度和熵值诊断淋巴结转移ROC曲线下面积分别为0.969、0.674和0.863(P<0.05)。结论MSCT纹理影像诊断淋巴结转移效能较高,其中短径、峰度、熵是有较多参考意义的参数。     

深度学习方法应用于中医药领域的优劣势及展望

深度学习是人工智能在机器学习领域的一大分支,其应用过程不需要做大量特定领域知识的特征提取便可以得到传统方式难以提取到的数据特征,完成复杂的数据分析,相对于传统机器学习更为高效准确。当前深度学习在中医学领域已有初步发展,在辅助中医诊断、构建中医诊断模型、医案数据处理等方面具备显著成果。本文基于深度学习在语音识别、数据图像处理及自然语言理解方面的优势,结合其在中医药研究中的应用现状,对深度学习的发展前景和当下存在问题进行思考讨论,认为在今后深度学习和中医药融合发展的过程中,应注意算法模型的性能水平及数据样本的数量和质量,为深度学习的发展提供规范的中医专业数据库是当前亟需解决的问题。