基于深度学习的医学多模态数据融合方法在肿瘤学中的进展和挑战

【目的】在肿瘤学中,患者有一系列的临床数据,从放射学、组织学、基因组学到电子健康记录。不同数据模式的整合为提高诊断和预后模型的稳健性和准确性提供了机会,使人工智能在临床实践发挥重要作用。【方法】本文将探讨深度学习技术以及其在肿瘤医学数据中的应用,并研究肿瘤学领域多模态数据融合方法的潜在影响和重要发现。【结果】多模态数据能够更好地发现与患者治疗响应、预后效果相关的信息,从而构建更加鲁棒的深度学习模型。【结论】深度学习已经在医学领域取得了显著的进展,特别是在肿瘤学研究中处理多模态医学数据。这些进展为临床提供了更准确、更快速的工具来进行肿瘤的检测、分割、分类和预后预测,同时也面临很多挑战亟须解决。

基于因果约束的Transformer医学图像分割方法

【目的】数据分布对深度学习模型的性能影响较大。模型学习了与分割目标无关的特征后,这些无关特征通常不适用于新的数据集,从而导致模型泛化能力不足。【方法】为缓解这一问题,本文提出基于因果约束的Transformer医学图像分割方法。以MCRformer为网络主体,利用形态约束流模块提取形态约束先验信息,网状Transformer进一步提取局部信息和网络各层次信息,并加入因果约束模块降低目标区域相关特征和无关特征之间的相关性,通过形态先验和因果先验信息为模型选出具有代表性的特征,最终提高分割性能。【结果】在公开数据集Synapse上,Dice相关系数和Hausdorff距离的均值分别达到了80.01%和19.39 mm,在公开数据集ACDC上,Dice相关系数均值达到了90.95%,优于其他对比方法。【结论】实验证明,本文提出的方法可以有效提升CT和MRI中多器官的分割性能,并验证因果约束模块在不同模型上的有效性。

计算病理学应用研究进展与挑战

计算病理学是病理学与人工智能、计算机视觉等信息技术交叉形成的细分领域,其研究范畴已从病灶检测、免疫组化染色细胞计数迅速拓展至分子病理、预后以及治疗响应等标签的预测中。计算病理模型已在临床研究中得到较为深入的应用,将成为精准医疗背景下重要的辅助诊疗工具。本文对计算病理领域最新应用进展进行综述,并探讨相关研究与应用中的主要挑战与对策。

煤矿机械设备磨损及降损方法

机械磨损是机械设备和零部件的主要失效形式之一,尽管磨损过程是一个渐进的过程,磨损的直接结果也并非灾难性的,然而由此造成的经济损失是非常巨大的,研究磨损具有重要的意义。

加压式过滤机刮板机断链保护装置的优化改造探讨

为保证加压过滤机刮板机的正常运转,笔者结合自身工作实践对断链保护装置的检测环节进行了优化改造。通过对过滤机刮板机断链保护装置进行优化改造,刮板机的运转因而更加稳定,误动作现象几近杜绝,设备的故障率有了明显的下降。经过改良,人工维护的作业量明显降低了,材料配件投入也相应下降,应用成效是非常明显的。

自动量化的肿瘤-间质比预测胃癌新辅助化疗疗效

目的:探讨通过深度学习的方法来全自动定量评估术前活检标本的肿瘤-间质比(tumor-stroma ratio,TSR)是否可以预测胃癌患者新辅助化疗(neoadjuvant chemotherapy,NAC)疗效。方法:选取2013年3月至2020年3月在云南省肿瘤医院接受NAC治疗的胃癌患者的术前活检切片148张和手术切除切片43张。构建肿瘤区域分割模型和上皮-间质分割模型,使用手术切除切片训练和评估模型,在活检切片上预测,取二者预测结果的交集,根据TSR的定义得到TSR值。根据术后病理学肿瘤退缩分级(tumor regression grade,TRG)将所有患者分为反应良好者(TRG 0~1)和反应不良者(TRG 2~3)。采用单因素和多因素回归分析TSR与胃癌新辅助化疗疗效的相关性。结果:肿瘤组织分割模型的IOU(intersection over union)为0.94,上皮-间质分割模型的IOU为0.88。以44.93%和70.22%作为TSR的临界值,将患者分为低、中、高间质比组,三组之间反应良好者比例具有显著性差异(P<0.05)。多因素分析显示,TSR是治疗前对胃癌NAC反应的独立预测因子(OR=0.10,95%CI:0.03~0.32)。使用常规临床信息预测治疗响应的基础上,加入TSR三分类等级作为治疗响应的预测变量时,曲线下面积(area under curve,AUC)可从0.71提升至0.85。结论:该模型能够在病理切片上自动分割肿瘤区域、上皮区域和间质区域,并能够自动、准确的计算出TSR,同时发现基于此方法自动计算的TSR可以预测NAC疗效。

磁选机磁力滚筒端盖的改造及其应用实践

目前,国内使用最多的选煤方式是重介质旋流器选煤,该方式是依赖磁选机进行磁铁矿粉的回收。磁选机设备的工况决定了磁铁矿粉的回收效果。众所周知,磁选机在运行过程当中,磁选机磁力滚筒端盖与磁选机溜槽槽体之间,会由于给料小颗粒和磁铁矿粉混合物的存在而产生粘附效应,而其粘附物随着时间的推移会越来越多,同时也增加了槽体与端盖间的摩擦,如果粘附物得不到经常性、及时性的清理,就会导致磁力滚筒端盖的磨损,直到磨烂,发生这种状况后,就会使得给料进入滚筒内部,使得滚筒内的磁系遭到严重破坏,最终损毁了磁力滚筒。

人工智能在肾细胞癌病理诊断领域中的应用及研究进展

随着人工智能技术的不断发展,病理学领域的人工智能应用也如雨后春笋般涌现。肾细胞癌病理诊断作为其中的应用领域之一,近年来取得了许多重要进展,对临床实践具有指导意义。本文综述了人工智能在肾细胞癌病理诊断中的应用情况及研究进展,并展望未来的研究发展方向。

人工智能在肾细胞癌病理图像分析领域中的应用及研究进展

鉴于人类视觉的局限性和认知的主观性,传统的病理切片判读既耗时又费力,且不同阅片者之间的判读结果可能存在显著差异。随着医疗技术的不断进步,肾细胞癌(renal cell carcinoma,RCC)的诊断分型、风险评估、治疗管理等已取得显著进展,但在准确性和一致性方面仍存在挑战。

人工智能在血吸虫病防控中的应用现状与前景

血吸虫病是一种严重危害人类健康、影响社会经济发展的寄生虫病。人工智能技术已广泛应用于肿瘤筛查、心电图、影像学与病理学分析等临床医学领域,并有望实现血吸虫病精准防控。目前,人工智能技术已应用于血吸虫病肝纤维化、异位血吸虫病临床评估,晚期血吸虫病预后预测,钉螺、虫卵、毛蚴自动检测,血吸虫病流行病学监测和药物发现等方面。本文对近年来人工智能技术在血吸虫病防控领域的应用进展与前景进行综述。

基于多任务和注意力的胰腺癌全切片图像多组织分割模型

在全切片中分割不同组织对胰腺癌的诊疗十分重要,但目前面临内容复杂、样本偏少、样本异质性高等挑战。本文研究了胰腺癌病理切片八种类别的组织分割,通过引入注意力机制并设计分层共享的多任务结构,利用相关辅助任务显著提升模型性能。本文模型在上海长海医院的数据集上进行训练与测试,并在TCGA公开数据集上进行外部验证,在内部测试集上F1分数均高于0.97,在外部验证集上F1分数均高于0.92,且泛化性能显著优于基线方法。实验表明,本文模型可准确分割胰腺癌全切片图像中的不同组织,为临床诊断提供可靠依据。