皮肤疾病辅助诊断系统中的数据与方法

皮肤疾病具有发病率高、诊断困难、危害程度大的特点,加之我国医疗资源短缺,严重影响人们的身体健康和生活质量。近年来,随着计算机辅助诊断(computer-aided diagnosis, CAD)技术的快速发展,基于皮肤镜图像的单模态CAD技术突破了传统诊断方法主观性强且易漏诊、误诊的局限性,但该技术无法充分利用临床诊断场景中的多模态数据优势。而多模态融合CAD技术可帮助人工智能模型学习更加复杂全面的临床特征表达,从而辅助皮肤科医生进行更加精准的诊断。本文在CAD技术常用的数据类型、基于单模态/多模态数据的CAD技术等方面对皮肤疾病CAD系统的研究现状进行综述,并提出未来发展方向,以期为缓解皮肤病诊断困境提供新思路。     

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。      

人工智能在急危重症患者诊治中应用研究进展

人工智能(AI)在急危重症患者的诊断和治疗中具有巨大潜力。AI在急危重症患者图像诊断、生命体征监测、个体化治疗和决策支持方面展现出卓越效果。然而，数据隐私和安全、模型解释和可解释性、不确定性和风险管理、技术集成和可操作性等仍存在挑战。未来的发展方向包括改进深度学习和神经网络、多模态数据整合、自动化和智能化监护系统、强化学习和自主决策，以及关注数据隐私和伦理问题等。跨学科合作和医学专业知识与AI技术的结合是推动急危重症患者诊断和治疗效果提高的关键。本文通过综述与展望，期待AI在急危重症患者的诊断和治疗中发挥重要作用。     

基于深度学习的肠腺瘤病变识别

目的建立人工智能辅助诊断肠腺瘤诊断系统。方法我们筛选出近187例覆盖各种肠腺瘤组织形态的病理切片,利用数字扫描仪将其数字化后,医生借助ASAP标注工具对数字病理切片进行标注。标注完成后,我们对标注数据进行处理并分割,得到超过150万张带有标注的训练数据,最后输入到卷积神经网络中进行模型的训练。结果基于训练完成的深度学习模型,我们在155例切片的测试集上进行测试,模型可以达到94.8%的准确率。结论腺瘤的诊断是人工智能在病理诊断中较为简单的一个模型,随着人工智能技术的发展,基于人工智能的病理辅助诊断技术必将极大地解放病理医生的体力,促进病理学的发展。     

第107届北美放射学会年会亮点:人工智能

第107届北美放射学会(Radiological Society of North America,RSNA)年会人工智能亮点聚焦于:(1)新技术新算法:联邦学习破解数据孤岛难题,迁移学习应用于多中心数据;(2)真实年龄新概念:"影像-生理年龄";(3)AI赋能影像,从实验室走向临床应用,包括早期诊断、风险评估、预后预...     

人工智能在肺癌病理诊断中的应用及展望

病理学是用以确定肺癌最终诊断的基本工具,有效和准确的病理诊断对于患者的后续治疗至关重要。传统病理诊断由经验丰富的病理学家在显微镜下逐一评估所有切片,此过程耗时长、主观性强,经验不足的病理医师可能出现漏诊、误诊,因此提高诊断的准确性和稳定性是一项挑战。人工智能(AI)非常善于发现高维数据中的复杂结构,非常适合病理数字图像分析,尽管将其应用到临床病理诊断可能还有很长的路要走,但可以看到的是近年来用于肺癌病理图像分析的AI研究正迅速增加。对于相对简单的任务,一些AI模型已能接近病理专家水平,而涉及多医学中心、大样本量及多模态的模型还需进一步研究。随着AI技术的改进和发展,在未来数字病理将发挥主导作用,使诊断更加高效和准确,帮助病理学家满足越来越多患者的需求并帮助临床增加疾病的治疗选择范围。     

国外人工智能辅助自闭症谱系障碍诊断及其康复训练研究进展

旨在综述国外运用人工智能技术辅助自闭症谱系障碍诊断及其康复训练的相关研究,为国内该领域的研究提供借鉴。自闭症谱系障碍是一类以社交障碍及刻板行为为核心特征的神经发育障碍性疾病。作为一种谱系障碍,其亚类之间乃至亚类内部的异质性明显。近年来,自闭症谱系障碍发病率不断攀升,但早期诊断及康复训练资源匮乏。随着人工智能技术的持续进步,利用人工智能来辅助诊断自闭症谱系障碍及康复训练逐步成为研究的热点。国外的人工智能辅助诊断研究通过训练神经网络模型对相关数据进行分析来实现,这些数据主要为:①脑成像数据,由自闭症谱系障碍人群数据及匹配组人群数据组成;②多模态数据,自闭症谱系障碍婴儿或儿童产出的语言、动作、面部表情等多模态数据及诊断过程的数据。康复训练方面,基于人工智能技术的非机器人干预设备和机器人干预设备在研究中广泛使用。就非机器人干预设备的康复训练研究而言,早期研究主要关注单项交际技能的康复训练。随着人机交互技术及虚拟现实技术的进步,相关的研究逐步转向综合训练。与单项训练相比较,综合训练不仅关注交际能力,且所创设的情境更接近真实的生活语境。就机器人干预而言,相关研究包括:探讨使用机器人教授自闭症儿童社交技能的方法及效果;或探讨训练这一人群感知动作的能力;或将机器人与传统干预技术结合使用。这些研究取得两方面进展:其一,更加关照自闭症谱系障碍人群,特别是儿童的心理特点和使用体验;其二,针对缺乏个性化这一自闭症谱系障碍康复训练领域亟待解决的问题,开始探讨个性化康复技术的解决方案。目前国内自闭症谱系障碍的人工智能辅助诊断及康复训练研究得到了学界和医疗界的关注,但现有研究成果及应用还远不能满足这一庞大群体对高质量诊断和康复训练资源的需求。借鉴国外研究的成果,国内相关领域的研究可从推动不同学科领域合作、推进个性化干预及研发符合我国自闭症谱系障碍人群的心理特征及喜好的康复训练设备这三方面拓展和深化。     

基于机器学习和脑网络的阿尔茨海默病多模态影像研究进展

阿尔茨海默病是发生在中老年人群体中的神经退行性疾病,以记忆障碍和认知能力下降为主要特征。目前大多数关于阿尔茨海默病的多模态影像研究主要集中在局部特定脑区,缺乏对全脑网络模式的深入探讨。本文针对基于机器学习和脑网络的阿尔茨海默病多模态影像研究进行概述。首先,介绍了阿尔茨海默病的定义以及机器学习技术在脑疾病影像研究中的局限性;其次,阐述了机器学习在脑网络预测中的通用流程,主要包括：特征提取、特征选择与特征降维、模型构建、模型评价;最后,依次介绍了机器学习在阿尔茨海默病的灰质结构脑网络、白质结构脑网络、静息态功能脑网络以及多模态融合脑网络的研究成果。通过对近年来研究成果的梳理,本文对该领域未来发展方向进行了以下三点展望：大样本多中心研究,具有可解释性的深度学习技术,建立纵向预测模型。     

步态适应性训练在脑卒中康复中应用的研究进展

步态适应性是指为了满足任务目标和环境限制而调整步态.在脑卒中康复中,步态适应性训练根据训练环境可分为真实环境和模拟环境两大类,模拟环境又分为简单室内场景和多模态场景.虚拟现实和增强现实等技术的发展为多模态步行训练提供了更加安全高效的方式.步态适应性训练可改善偏瘫患者步行功能和信心,帮助其重新回归社区生活,提高社会参与.     

重症大数据教育培训课程建设及应用

<正>重症医学是一门特殊的临床专科,以病情复杂、设备密集为特点^[1],每个患者都能产生多模态的监护数据,如呼吸机波形、心电信号、连续性肾脏替代治疗流量、床旁超声图片以及PiCCO监测数据^[2]。患者的各种病理生理信号可以以不同的方式进行采集和识别,这类数据天然形成了一种多模态数据^[3]。如果将这些多模态信号进行合理采集和存储,就能发挥其巨大的科研价值,     

基于深度学习的人工智能在肺结节诊断领域的进展

肺癌是死亡率最高的恶性肿瘤，肺结节的早期检测是降低肺癌死亡率的关键。基于深度学习的人工智能技术可通过自我学习，不断提高肺结节检测和诊断的准确率，是实现计算机辅助诊断的重要手段。本文介绍了人工智能、机器学习、深度学习的概念及三者间的关系，阐述了4种常见的深度学习模型:卷积神经网络、海量训练人工神经网络、自编码器和深度信念网络。卷积神经网络是最常用的深度学习模型，主要包括二维卷积神经网络、三维卷积神经网络和多流、多尺度的卷积神经网络，其中的多流、多尺度的卷积神经网络更有利于肺结节的分类；海量训练人工神经网络在有限的肺结节训练样本中具有优势；自编码器可以在较低维空间下对肺结节进行检测；深度信念网络是一种生成模式，与极限学习机结合可提高肺结节的诊断率。另外，本研究分析了目前人工智能存在的问题:标记图像过少、可解释性和可控制性不足、存在伦理和法律问题。总之，基于深度学习的人工智能不仅改变了影像学，也改变了所有其他的医学领域，具有广阔的应用前景。      

Artificial intelligence: A joint narrative on potential use in pediatric stem and immune cell therapies and regenerative medicine

Artificial Intelligence (AI) reflects the intelligence exhibited by machines and software. It is a highly desirable academic field of many current fields of studies. Leading AI researchers describe the field as “the study and design of intelligent agents”. McCarthy invented this term in 1955 and defined it as “the science and engineering of making intelligent machines”. The central goals of AI research are reasoning, knowledge, planning, learning, natural language processing (communication), perception and the ability to move and manipulate objects. In fact the multidisplinary AI field is considered to be rather interdisciplinary covering numerous number of sciences and professions, including computer science, psychology, linguistics, philosophy and neurosciences. The field was founded on the claim that a central intellectual property of humans, intelligence-the sapience of Homo Sapiens “can be so precisely described that a machine can be made to simulate it”. This raises philosophical issues about the nature of the mind and the ethics of creating artificial beings endowed with human-like intelligence. Artificial Intelligence has been the subject of tremendous optimism but has also suffered stunning setbacks.The goal of this narrative is to review the potential use of AI approaches and their integration into pediatric cellular therapies and regenerative medicine. Emphasis is placed on recognition and application of AI techniques in the development of predictive models for personalized treatments with engineered stem cells, immune cells and regenerated tissues in adults and children. These intelligent machines could dissect the whole genome and isolate the immune particularities of individual patient’s disease in a matter of minutes and create the treatment that is customized to patient’s genetic specificity and immune system capability. AI techniques could be used for optimization of clinical trials of innovative stem cell and gene therapies in pediatric patients by precise planning of treatments, predicting clinical outcomes, simplifying recruitment and retention of patients, learning from input data and applying to new data, thus lowering their complexity and costs. Complementing human intelligence with machine intelligence could have an exponentially high impact on continual progress in many fields of pediatrics. However how long before we could see the real impact still remains the big question. The most pertinent question that remains to be answered therefore, is can AI effectively and accurately predict properties of newer DDR strategies?The goal of this article is to review the use of AI method for cellular therapy and regenerative medicine and emphasize its potential to further the progress in these fields of medicine.     

基于深度学习的人工智能辅助肺腺癌胸水脱落细胞学诊断的方法

【摘要】 目的 胸腔积液中出现腺癌细胞是肺癌癌晚期的一个重要的临床特征，胸水的细胞病理诊断可以作为肺癌诊断的金标准。然而，由于诊断难度高，而且缺少经过专科训练的病理医生，胸水肿瘤细胞的病理鉴别诊断是临床工作中的一个难题。在本研究中，我们尝试了基于深度学习模型对胸水脱落肺腺癌细胞的检测与分类，探索了人工智能辅助肺癌细胞病理诊断的可行性。方法 收集来自多个三甲医院的肺腺癌胸水标本共计110例，非癌性胸水标本20例作为对照。①制片：方法一，胸水离心，常规液基细胞薄层制片，苏木素-伊红（HE）染色。方法二，胸水离心，单细胞分离液处理（专利技术），常规液基细胞薄层制片，苏木素-伊红（HE）染色。②细胞图像数字化：全切片数字扫描，保存为数字文件。③标注：经过裁切与图像预处理后，使用Labelimg软件对胸水细胞进行标记，打方框并标注细胞类型，选用较典型细胞样本，分别标记淋巴细胞、间皮细胞和腺癌细胞，共标记800张图像用于训练。④机器学习：用Yolov4模型对疑似与确诊肺癌细胞进行训练，用Inception V3模型对不同分类细胞进行训练，取另外250张图像进行测试。结果 ①训练后的Yolov4模型能够对胸水脱落细胞HE染色涂片中疑似+确诊肺癌细胞进行识别标注（mAP 20%）；②训练后的Inception V3模型对胸水脱落细胞病理图像中单个细胞分割后的淋巴、间皮、疑似+确诊肺癌细胞进行分类，准确度为0.98。③单细胞分离液可提高可明确标注的癌细胞数量，增加单目标识别的效率和准确性。结论 基于深度学习可以对胸水脱落细胞中肺癌细胞的检测与分类，提升了模型的泛化能力和鲁棒性，可用于辅助肺癌病理诊断。提高细胞分离的效率和统一的标准化制片，有助于促进临床实际应用。     

Machine Learning and Deep Learning in Medical Imaging: Intelligent Imaging

Artificial intelligence (AI) in medical imaging is a potentially disruptive technology. An understanding of the principles and application of radiomics, artificial neural networks, machine learning, and deep learning is an essential foundation to weave design solutions that accommodate ethical and regulatory requirements, and to craft AI-based algorithms that enhance outcomes, quality, and efficiency. Moreover, a more holistic perspective of applications, opportunities, and challenges from a programmatic perspective contributes to ethical and sustainable implementation of AI solutions.     

Enhanced Point‐of‐Care Ultrasound Applications by Integrating Automated Feature‐Learning Systems Using Deep Learning

Recent applications of artificial intelligence (AI) and deep learning (DL) in health care include enhanced diagnostic imaging modalities to support clinical decisions and improve patients’ outcomes. Focused on using automated DL‐based systems to improve point‐of‐care ultrasound (POCUS), we look at DL‐based automation as a key field in expanding and improving POCUS applications in various clinical settings. A promising additional value would be the ability to automate training model selections for teaching POCUS to medical trainees and novice sonologists. The diversity of POCUS applications and ultrasound equipment, each requiring specialized AI models and domain expertise, limits the use of DL as a generic solution. In this article, we highlight the most advanced potential applications of AI in POCUS tailored to high‐yield models in automated image interpretations, with the premise of improving the accuracy and efficacy of POCUS scans.     

人工智能在脑卒中神经影像中的应用

近年来，人工智能在计算机科学领域快速崛起。医学成像过程中产生了海量图像信息，因此非常适合采用人工智能技术进行相关数据处理。脑卒中患者神经影像在临床诊断、治疗及随访评估中非常关键，人工智能技术在基于脑卒中影像数据的处理和分析中发挥着越来越重要的作用。本文主要回顾人工智能技术在缺血性与出血性脑卒中神经影像应用中的研究进展，重点关注缺血性脑卒中的自动检测、责任脑区缺血状态判断及治疗评估，以及出血性脑卒中的智能诊断、量化分析及治疗评估；同时对基于脑卒中影像智能诊断系统的临床转化应用现状进行分析，探讨当前人工智能在脑卒中神经影像应用过程中存在的主要挑战，并对未来发展前景进行展望。     

人工智能医学影像在胸部应用的机遇与挑战

人工智能(Artificial Intelligence,AI)是以深度学习(Deep Learning,DL)、人工神经网络(Artificial Neural Network,ANN)、机器学习(Machine Learning,ML)等新一代核心算法、强大的计算机计算能力和大数据(Big Date)共同促进的产物。也就是说,算法、算力和数据是其三要素。近年来,随着人工智能技术的飞速发展,AI在医学影像领域的应用日新月异,其中AI胸部影像研究最早也最成熟,本综述将从人工智能在胸部影像应用现状、机遇和挑战以及未来发展方向等方面进行阐述。     

人工智能在结直肠癌数字化病理图像分析中的应用

计算机人工智能技术在数字病理中应用广泛、发展迅速,是肿瘤精准诊疗时代的一个里程碑。传统病理学作为肿瘤诊断的金标准具有高度主观性及不可重复性,且工作繁琐。基于人工智能技术对数字病理图像进行特征提取及定量分析,并转变为高保真、高通量的可挖掘/分析的数据,在肿瘤早期诊断、分级及构建预后模型等方面表现出独特优势。数字病理人工智能的发展为病理学科带来了难得的机遇,也是精准诊疗的未来发展趋势。本文概述人工智能在结直肠癌数字化病理图像分析中的应用现状和潜在价值,以期为临床诊疗提供参考。     

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。     

Predictive modeling in neurocritical care using causal artificial intelligence

Artificial intelligence (AI) and digital twin models of various systems have long been used in industry to test products quickly and efficiently. Use of digital twins in clinical medicine caught attention with the development of Archimedes, an AI model of diabetes, in 2003. More recently, AI models have been applied to the fields of cardiology, endocrinology, and undergraduate medical education. The use of digital twins and AI thus far has focused mainly on chronic disease management, their application in the field of critical care medicine remains much less explored. In neurocritical care, current AI technology focuses on interpreting electroencephalography, monitoring intracranial pressure, and prognosticating outcomes. AI models have been developed to interpret electroencephalograms by helping to annotate the tracings, detecting seizures, and identifying brain activation in unresponsive patients. In this mini-review we describe the challenges and opportunities in building an actionable AI model pertinent to neurocritical care that can be used to educate the newer generation of clinicians and augment clinical decision making.