深度学习技术在医学影像领域的应用

深度学习技术, 作为最近几年人工智能最热门的研究领域, 已成为全世界关注的焦点。深度学习在很多行业中展现出强大的应用能力, 在某些视听识别任务中的表现甚至超越了人类。在医学领域, 深度学习也逐渐成为研究者们分析大数据, 尤其是医学影像的首选方法。本文简要介绍深度学习的历史与概况, 结合国内外最新和最有影响力的研究成果, 阐述深度学习在医学影像领域的科学研究进展, 同时介绍深度学习在医学影像领域产品化应用及其未来的机遇与挑战。     

人工智能在检验医学中的应用及展望

人工智能正在影响着检验医学实验室的日常,从检验标本的采集、传输、检测到检验结果自动审核及综合评估,人工智能技术已经开始渗入到检验医学过程的多个环节,基于智能接口技术的人工智能将加速医学实验室的自动化和标准化建设,以检验大数据和深度学习算法相结合的人工智能技术也将有助于在已有的检验大数据中发现新知识、开发新模型、优化新标准,最终辅助在医患之间建立最佳的诊疗决策。该文对人工智能技术在检验医学领域的最新应用进行阐述,并对人工智能在未来检验医学领域的部分应用场景进行初步探讨。     

深度学习在骨科领域的应用研究进展

深度学习是当前人工智能发展最为迅速的一个分支。深度学习可以在大样本数据中自动提取良好的特征表达，有效提升各种机器学习的任务性能，广泛应用于图像信号处理、计算机视觉和自然语言处理等领域。随着数字影像的发展，深度学习凭借自动提取特征，高效处理高维度医学图像数据的优点，已成为医学图像分析在临床应用的重要技术之一。目前这项技术在分析某些医学影像方面已达到放射科医生水平，如肺结节的检出识别以及对膝关节退变进行级别分类等，这将为计算机科学发展在医疗应用的提供一个新机遇。由于骨科领域疾病种类繁多，图像数据特征清晰，内容复杂丰富，相关的学习任务与应用场景对深度学习提出了新要求。本文将从骨关节关键参数测量、病灶检测、疾病分级、图像分割以及图像配准五大临床图像处理分析任务对深度学习在骨科领域的应用研究进展进行综述，并对其发展趋势进行展望，以供从事骨科相关研究人员作参考。      

人工智能在检验医学领域的应用进展

人工智能为检验医学的划时代发展提供了良好机遇。目前人工智能在检验医学领域的应用主要包括样本处理环节、形态学检验、检验结果审核及检验报告解读等,其在检验各阶段的参与均有效提高检验质量。利用机器学习对检验及相关临床数据进行深度挖掘从而建立疾病诊断模型已成为人工智能在检验医学领域的潜在应用思路。大数据与人工智能对于检验医学精准化的转变具有无可替代的作用,发展前景广阔,但当前仍面临诸多挑战。正确应对随之而来的挑战,促进二者的融合,势必将推动检验医学的高质量发展。     

基于深度学习的多模态医学影像研究进展

凭借深度学习及大数据等技术的飞速发展,人工智能是医学领域最具发展前景的技术,鉴于医学影像对疾病的诊断与及时治疗的关键作用,医学影像与人工智能的结合正成为重要的交叉学科研究方向。在临床实践中,医生为了更精确全面的诊断疾病,往往需要同时参考多模态的影像数据进行综合分析和判断。本文首先介绍了多模态深度学习的基本概念和工作原理,对深度学习技术应用于多模态医学影像辅助诊断的代表性研究成果做出综述,分析了多模态深度学习在医学影像领域的技术挑战,并对该技术的应用前景作出展望。      

深度学习在脑卒中诊断与防治中的研究进展

近年来,随着人工智能技术快速发展,以深度学习为核心的计算机科学大量应用于医学领域。脑卒中作为人类死亡的常见病因,深度学习在脑卒中诊断与防治中具有较大的应用价值。为了评价深度学习技术在脑卒中疾病中的重要性,本文对深度学习在脑卒中诊断、治疗及预测方面进行了多层次,多角度的系统性回顾,着重探讨多种深度学习方式在脑卒中诊断方面的应用,另外还讨论了目前所遇的瓶颈和深度学习技术在未来的发展前景,以期对临床与医护科研人员进一步研究提供新方向,进一步挖掘深度学习在脑卒中领域的发展潜能。     

大数据分析在智慧医疗辅助诊断中的应用与发展趋势

智慧医疗以临床大数据为基础,以物联网、云计算、人工智能等技术为手段,是一种以患者数据为中心的医疗服务模式。该文介绍了当前智慧医疗和大数据概况,分析总结了当前大数据分析在智慧医疗辅助诊断中的应用,包括在医学检验、医学图像分析、临床决策支持系统以及远程诊疗中的应用,并对大数据分析在智慧医疗诊断中的挑战及未来发展趋势进行了展望。     

人工智能在检验医学领域的应用和发展

随着计算机运算能力的提高, 机器学习和深度学习算法不断发展, 人工智能(AI)逐渐成为人类活动的重要工具, 也为生命科学和医学领域赋予了新的生命力。对于检验医学而言既是机遇, 也是挑战。检验大数据和AI算法结合, 推动了形态学检验能力的提升、检验流程的优化、新知识的发掘和疾病诊断模型的研发, 成为临床疾病预防、诊断和预后预测的便捷、智能的助手。     

人工智能在心血管影像中的应用进展

计算力的进步和数据的爆发使得人类迎来了第三次人工智能浪潮.人工智能给影像医学带来了便利,也促进了影像医学的发展.目前,中国心血管病患病率处于持续上升阶段,将人工智能这门新技术应用于心血管影像领域潜力巨大.作者就人工智能在该领域的现状进行综述.     

人工智能与心脏重症康复北大核心CSCD

人工智能（artificial intelligence,AI）是计算机科学的一个分支,通过研究和模拟人类智能、智能行为及其规律,使计算机系统能模仿、实现和扩展人类的智力行为.依托大数据平台,利用机器学习、深度学习和智能计算等技术,人工智能已经能实现语言识别、图像识别、自然语言处理等多种人际交互的场景,在多种科学领域取得了瞩目的突破,如在教育领域,机器承担了越来越多的辅助教育、智能交互的功能;在交通领域,人工智能使无人驾驶、智能交通成为可期待的发展方向.     

人工智能在超声医学领域中的应用

人工智能(artificial intelligence,AI)近几年再度成为各领域关注的焦点,其中深度学习的提出带来了一系列革命性变化,而随着计算机视觉向深度学习过渡以及硬件和大数据的进步,AI在图像识别领域展现出更广阔的发展前景。深度学习模型使得相关图像算法甚至达到了比人眼更高的识别准确率, 这为医学影像的发展提供了巨大契机。超声医学作为影像领域的重要分支,利用AI相关算法进行声像图分析的研究不断涌现,不仅为临床科研提供了新思路,亦有助于提高超声诊断的准确性。     

人工智能与检验医学

人工智能是一门正处于发展前沿的新兴学科,随着第三次技术浪潮的兴起,人工智能在检验医学领域中的应用飞速发展。通过对实验室信息管理系统中的海量数据进行机器学习和数据挖掘,人工智能不仅可以有效提高检验效率缩短检验周期,还能挖掘有效数据为临床诊疗提供重要信息。该文介绍了人工智能在检验医学领域中的最新应用进展,并初步探讨了未来的发展方向。     

深度学习在脑肿瘤医学图像研究进展

近年来,随着人工智能相关技术不断发展,深度学习（DL）技术日益提高,已成为医学领域的研究热点。DL在医学图像中的深入研究,为精确诊断脑肿瘤、个体化治疗和预后评估带来全新发展方向。本文就DL在脑肿瘤医学图像中的应用现状及未来发展进行综述。     

大数据与人工智能在医学领域的应用进展

随着信息技术在医疗行业的发展,以非结构化数据为主的医疗数据急剧增长,利用大数据技术对其进行处理,可生成不同主题的数据库,创造巨大的附加价值。同时,以深度学习为核心的人工智能技术迅猛发展,人工智能辅助诊疗迎来了巨大的发展空间,有助于指导医疗活动,提高医疗诊治效率。大数据、人工智能与医疗行业的结合将成为未来重要的发展方向。本文就大数据与人工智能在医疗行业的应用进展进行阐述。     

多模态深度学习及其在眼科人工智能的应用展望

深度学习的强学习能力和高易用性使其成为当前主流机器学习算法和医学人工智能的核心技术。鉴于医学影像在健康筛查、疾病诊断、精准治疗、预后评估等诸多任务中的关键作用,用于医学影像结构分析与语义理解的深度学习正成为重要的交叉学科研究方向。在临床场景中,医生为了实现更精准的诊断,往往需要同时参考不同类型、不同模态的影像样本进行综合分析和判断。本文介绍面向此类场景的多模态深度学习的基本概念和工作原理,结合具体案例分析多模态深度学习在眼科领域的研究进展、应用情况及技术挑战,并对该技术的应用前景作出展望。     

人工智能在病理诊断领域的进展

基于近几年机器视觉的发展,深度学习的人工智能方法应用于组织病理极大程度上促进了病理学家解决临床上的诊断问题,用该种方法解决病理学问题可被称为计算机病理学。人工智能可以做到帮助病理学家初筛大部分良性数据、辅助诊断、疗效预测、识别生物标志物等,甚至可以做到对药效治疗监测以及识别药物发现未知的信号。基于深度学习在病理领域的深入研究,让计算机自动处理病理数据成为可能。人工智能诊断决策建立在大数据之上,很多有可能做到对每个病人的个性化管理,对于大多普遍性的疾病诊断有着更加快速准确的优势。但数字病理学的发展仍受到一些问题的限制,以至于现阶段没有广泛应用于数字病理诊断平台。本文总结了近几年人工智能在病理诊断领域的最新进展,并讨论这种技术的可行性,补充说明在数字病理学中遇到的困难和挑战,并提出在该领域实用性上的展望。     

重症医学专科大数据平台的建设及应用

目的基于医院各业务系统, 建立重症医学专科大数据平台, 支持人工智能和大数据应用, 为临床科研提供数据基础和支持。方法整合医院信息系统、电子病历系统、监护信息系统、检验信息系统、放射信息系统、手术麻醉临床信息系统等业务系统的数据, 并对数据进行清洗, 形成重症医学专科大数据平台。同时, 基于重症医学专科大数据平台建立APACHE Ⅱ及SOFA自动评分系统。结果重症医学专科大数据平台已纳入重症医学科近10年的历史数据, 并持续补充新增数据, 已上线试运行自动化评分系统、智能辅助诊断预测模型等人工智能和大数据应用, 系统整体运行良好。结论重症医学专科大数据平台能够高效利用临床上数据, 并更好地服务于临床诊疗与临床科研, 助力重症医学学科建设与发展。     

机器学习在急诊医学中应用的研究进展及展望

随着信息技术及医疗数据信息化的不断发展,越来越多的临床医生认识到人工智能或将彻底改变医学实践。机器学习可对大量医疗数据进行学习,探索数据集中的依赖关系,从而形成相应的医学模型;模型可对新的数据进行快速准确预测,有利于疾病早期诊断分级、辅助制定临床决策等。急诊医学面临着医疗资源相对短缺、急危重症患者识别及快速诊治需求等现状。在大数据时代,以临床需求为导向,机器学习为手段的智慧医疗或将成为解决上述问题的关键之一。     

基于深度学习的皮肤影像分类

随着大数据时代的到来, 深度学习技术在图像分类、检测等任务中相对传统模式识别方法均取得了令人瞩目的突破。2017年1月, 斯坦福大学人工智能实验室采用深度学习方法对皮肤镜和临床皮损图像进行自动分类, 并在《自然》杂志上发表了相关研究成果, 代表了皮肤图像自动分析领域的最新研究进展。本文从数据库建立、研究方法设计以及试验结果分析等角度对这一研究工作进行解读, 并分析国内皮肤影像计算机辅助诊断的研究现状, 以及未来多源皮肤影像大数据分析与智能辅助诊断的发展空间, 以期推进我国皮肤疾病的医疗诊断水平。     

深度学习技术在细胞形态学图像处理中的研究进展

近年来,医学成像技术的飞速发展和普及应用使得医学图像分析进入了大数据时代,传统的利用医学成像设备进行筛查诊断的工作量巨大,并且由于患者的不断增多,往往伴随着患者病理学的个体差异、医生长时间辛苦的阅片工作和医生的主观评价等缺点,常会出现因假阳性率高而误诊的现象。深度学习技术在计算机视觉领域的巨大成功让医学图像实现计算机辅助筛查诊断成为可能。本文介绍了深度学习及其在细胞形态学图像处理领域的研究进展,总结了深度学习在细胞形态学图像分析中面临的挑战和可能的应对措施,并对应用前景进行了展望。