|
|
Diagnostics:人工智能领域编委精选文章 | MDPI 编辑荐读 |
|
微信链接:
期刊链接:
本期编辑荐读内容,精选了 期刊2020-2021年于专题“机器学习和人工智能在诊断中的应用”发表的5篇被高度关注的文章。文章内容主要涉及人工智能促进糖尿病肾病、口腔癌、新型冠状病毒、抑郁症等疾病的临床诊断和预后等方面,欢迎大家阅读。
专题简介
机器学习和人工智能在诊断中的应用 (Machine Learning and Artificial Intelligence in Diagnostics),本专题内容涵盖了人工智能、机器学习、深度学习、计算机辅助诊断、临床决策系统、明升手机版信息学、大数据、生物明升手机版图像分析、放射组学等在临床疾病的诊断和预后中的重要应用的实验和理论研究。
1. Deep Learning Could Diagnose Diabetic Nephropathy with Renal Pathological Immunofluorescent Images
利用深度学习在肾脏病理免疫荧光图像上诊断糖尿病肾病
Shinji Kitamura et al.
卷积神经网络程序概述。使用六种肾脏免疫荧光图像的输入数据,IgG、IgA、IgM、C3、C1q 和纤维蛋白原 (Fib)。
关于糖尿病肾病 (Diabetic Nephropathy, DN),医生一般可根据患者的临床病程、实验室数据和肾脏病理等进行诊断,主要是用光学显微镜而不是免疫荧光图像来评估,因为免疫荧光图像没有特征性的发现可用来诊断 DN。本文作者尝试将 AI 与免疫荧光图像相结合来诊断 DN,收集了日本冈山大学医院885名进行肾活检患者的肾脏免疫荧光图像,并创建了一个数据集,其中包含每位患者的 IgG、IgA、IgM、C3、C1q 和纤维蛋白原六种类型的免疫荧光图像。使用该数据集,39个程序正常运行。五个程序完全通过免疫荧光图像诊断 DN。通过使用 Local interpretable model-agnostic explanations (Lime) 进行分析,发现AI 更有利于 DN 肾小球的外周病变的诊断。另一方面,肾脏科医生的诊断率略逊于 AI 辅助诊断。这些研究表明,AI 可以从免疫荧光图像中自动提取医生可能忽视的特征,辅助 DN 的临床诊断。
2. Application and Performance of Artificial Intelligence Technology in Oral Cancer Diagnosis and Prediction of Prognosis: A Systematic Review
人工智能技术在口腔癌诊断和预后预测中的应用和价值:系统评价
Sanjeev B. Khanagar et al.
筛查和选择文章的流程图。
口腔癌 (Oral Cancer, OC) 是一种致死性疾病,死亡率高,病因复杂。本文旨在手机版 AI 在诊断和预测 OC 发生中的应用价值。在这项研究中,作者在 PubMed、Google Scholar、Scopus、Embase、Cochrane、Web of Science 和沙特数字图书馆等几个知名数据库中检索了2000年1月至2021年3月间发表的文章,一共纳入了16篇符合资格标准的文章并使用 QUADAS-2 对其进行严格分析。结果表明,AI 可以精确分析大量图像数据集(荧光、高光谱、细胞学、CT 图像等)来诊断 OC。与传统方法相比,AI 可以通过分析年龄、性别、烟草习惯和生物标志物等易感因素来准确预测 OC 的发生。AI 在诊断和预测 OC 发生方面的精确性和准确性高于当前 cox 回归分析和逻辑回归等常规统计数据分析的临床策略。
3. A Deep Learning Based Approach for Patient Pulmonary CT Image Screening to Predict Coronavirus (SARS-CoV-2) Infection
基于深度学习的患者肺部 CT 图像筛查预测冠状病毒 (SARS-CoV-2) 感染的方法
Parag Verma et al.
(a) 有关神经网络与人类深度学习模块,(b) 研究结构建模,(c) 卷积神经网络(CNN)模型。
新型冠状病毒 (nCoV-2019) 是人类急性呼吸道疾病 COVID-19 的罪魁祸首。本文作者试图通过在患者肺部计算机断层扫描 (CT) 图像上应用深度学习技术以及通过已评估的模型,从甲型流感病毒病例和未感染的健康患者中识别和预测新型冠状病毒。该法使用的 CT 图像数据来自在线来源的各种放射学数据,共有548张 CT 图像,其中232张来自12名感染 COVID-19 的患者,186张来自17名甲型流感病毒患者,130张来自15名健康候选人。从一般CT影像病例的角度确定检查结果来看,该模型的准确率为79.39%。因此,这种深度学习模型将有助于对 COVID-19 患者的早期筛查和识别 SARS-CoV-2 感染后的其他疾病和未来的突发公共卫生事件。
4. Machine Learning Model for Outcome Prediction of Patients Suffering from Acute Diverticulitis Arriving at the Emergency Department—A Proof of Concept Study
机器学习模型用于急诊科急性憩室炎患者的结果预测——一项概念验证研究
Eyal Klang et al.
研究流程图。
本文旨在确定发生复杂急性憩室炎 (Acute Diverticulitis, AD) 的特定急诊科 (Emergency Department, ED) 风险因素,并评估用于预测复杂AD的机器学习模型 (ML)。作者分析了来自纽约西奈山卫生系统五家医院的患有大肠AD患者的数据 (2011年1月至2021年3月)。该模型根据四家医院的数据进行了训练和评估,并根据第五家医院的保留数据进行了外部验证。最终队列包括4997次 AD 就诊,其中有129人 (2.9%) 就诊患有复杂性憩室炎。患有复杂性憩室炎的患者更可能是男性、黑人和乘坐救护车到达。关于实验室值,复杂性憩室炎患者的绝对中性粒细胞、白细胞水平较高、血小板计数和乳酸水平较高以及白蛋白、氯化物和钠水平较低。在外部验证队列中,ML 模型预测复杂性憩室炎的 AUC 为0.85。对于 Youden 指数,该模型显示出88%的敏感性,误报率为1:3.6。经过临床测量训练的 ML 模型在预测出现在 ED 的 AD 患者并发症方面提供了概念性能证明。在临床上,这意味着 ML 模型可以帮助识别从 ED 出院的低风险患者,使其在门诊环境下进行进一步治疗。
5. Diagnosis of Depressive Disorder Model on Facial Expression Based on Fast R-CNN
一种基于 Fast R-CNN 及面部表情来辅助诊断抑郁症的模型
Young-Shin Lee et al.
使用聊天机器人协助诊断抑郁症的建议。
本研究通过查阅相关文献,提出了一种基于人工智能 (AI) 的模型,可以帮助诊断抑郁症。抑郁症可以通过自我手机版问卷进行诊断,但需要检查情绪并确认主客观描述的一致性。基于智能手机的抑郁症诊断可以帮助快速识别抑郁症并为后续干预措施提供数据。通过 Fast R-CNN (fast region-based convolutional neural networks),可以通过检查重复参与抑郁症诊断的参与者的眼睛和嘴唇的位置变化以及累积的照片来猜测其情绪变化以设计辅助诊断抑郁症的模型。
相关特刊推荐
1. Quantitative and Intelligent Analysis of Medical Imaging
Edited by Magalie Viallon
Submission Deadline: 30 April 2022
2. Machine Learning Applications for COVID-19 and Its Complications: Screening, Diagnosis, Treatment, and Prognosis
Edited by Tim Duong
Submission Deadline: 31 August 2022
3. Lesion Detection and Analysis Using Artificial Intelligence
Edited by Luca Saba and Jasjit S. Suri
Submission Deadline: 31 December 2022
期刊介绍
主编:Andreas Kjaer, University of Copenhagen, Denmark
期刊主题涵盖明升手机版诊断各个方面,包括但不限于分子病理诊断、成像诊断、微生物诊断、光学诊断、诊断设备的应用以及机器学习和人工智能在诊断中的应用等等。
2020 Impact Factor:.706
2020 CiteScore:1.4
Time to First Decision:15.9 Days
Time to Publication:35 Days
特别声明:本文转载仅仅是出于传播信息的需要,并不意味着代表本网站观点或证实其内容的真实性;如其他媒体、网站或个人从本网站转载使用,须保留本网站注明的“来源”,并自负版权等法律责任;作者如果不希望被转载或者联系转载稿费等事宜,请与我们接洽。