人工智能深度学习在乳腺癌病理诊断中的研究进展

乳腺癌是全球女性最常见的癌症。病理诊断是癌症诊断的金标准,但癌症病理诊断过程的复杂性和病理医师的缺乏,为人工智能在乳腺肿瘤辅助诊断领域提供了广阔的机遇。基于深度学习的人工智能使计算机自动处理病理数据并辅助精确诊断成为可能,但目前人工智能在病理诊断领域的应用依旧处于发展初级阶段,并且相关技术的研发仍不完善,其面临的巨大挑战和美好前景并存。本文综述了近几年基于深度学习的人工智能在乳腺癌的常规和术中快速组织病理学诊断、组织学分级、淋巴结转移诊断、分子分型免疫组化定量检测、分子病理学诊断、预测乳腺癌预后这六个方面的应用进展,并讨论其存在的局限性以及实际应用的巨大前景。

生成式人工智能何以构成教育奇点--从深度学习到深度理解

ChatGPT的成功引发了教育界对生成式人工智能广泛而又热烈的讨论。在此背景下,以深度学习为线索对生成式人工智能何以构成教育奇点予以追问,意在从前提上把握生成式人工智能之于教育的突破和局限。从深度学习的突破来看,生成式人工智能之于教育的深层价值在于擘画了指向算法决策的新方向、指向大模型的新范式、指向智能机器的新赛道;从深度学习的局限来看,教育极有可能因为生成式人工智能而面临不可知、不可用和不可信的风险。这对热衷求证生成式人工智能何以构成奇点的教育而言,仍不足以构成可谓确切的答案;但对试图诉诸更有深度的概念、问题、目的以创造奇点的教育而言,却不失为有益的启示。归根究底,与作为时下人工智能重要方向之一的深度学习相比,对人工智能跨领域、长时间、多层次、辩证性的深度理解更有可能引申出教育奇点。

人工智能深度学习在眼眶病及眼肿瘤疾病诊疗中的应用研究现状

近年来,深度学习作为人工智能机器学习的关键分支,在医学领域的应用取得了显著进展。它通过分析医学图像,实现了多种疾病的准确检测、诊断和预后评估。在眼科领域,深度学习技术已经广泛应用于甲状腺相关眼病、眼眶爆裂性骨折、黑色素瘤、基底细胞癌、眼眶脓肿、淋巴瘤、视网膜母细胞瘤等疾病的诊断和预测。这项技术利用计算机断层扫描、磁共振成像甚至病理切片等获得的图像,能够高度准确地进行眼眶病及眼肿瘤疾病的诊断、鉴别和分期分类,其准确度已足以与专业医师媲美。这一技术的应用前景巨大,有望提升相关疾病的诊疗水平,同时减少临床实践所需的时间和成本。本综述汇总了近年来关于人工智能深度学习在眼眶病及眼肿瘤疾病领域应用的最新研究进展,旨在为临床医师提供有关这一领域的最新信息和发展趋势,并进一步促进该技术的临床应用及普及推广。

人工智能背景下课程思政深度学习效果研究

该文以建构主义理论和深度学习理论为基础构建交互性学习对课程思政深度学习效果的影响模型,探讨其中介作用机制。运用问卷调查法收集数据,验证模型,得出研究结论如下,具身交互、教学性交互和社会性交互正向影响高级思维,具身交互和社会性交互正向影响情感体验,行为参与、认知参与、情感参与起中介作用。

基于人工智能的深度学习技术在胃癌领域应用的研究进展

近年来人工智能(artificial intelligence,AI)技术发展迅速,是目前各大行业的研究热点,尤其是在医学方面,其中深度学习已广泛应用于医学图像处理和临床肿瘤学分析。根据10年来的研究结果,AI与医学结合能够极大提升医生的工作效率,减轻工作负担,对疾病诊断和分级有更高的敏感度和准确度,对指导手术治疗和提高患者生存率具有重要临床意义。在影像组学方面,AI可以从标准医疗成像中提取并分析图像的向量特征,用于胃癌的淋巴结转移和早期复发情况的预测。同样的,在数字病理学方面,AI也可以通过计算机扫描标准的苏木精-伊红染色组织切片,进行数字化处理,进而运用卷积神经网络来处理图像特征,用于胃癌的病理诊断和治疗前的疗效预测等。内镜技术和AI结合近年来也表现出良好的前景,AI能从内镜视频流和静止图片抓取病变特征和确定病变部位。总而言之,目前在肿瘤领域,AI技术可以协助医生更准确地进行诊断,减少人为误差;也可以判断患者是否能从某种治疗中获益,减轻治疗负担。AI的出现对于医生和患者来说都是一种福音。

基于人工智能深度学习算法辅助诊断早期ESCC的研究

目的探讨基于人工智能(artificial intelligence,AI)深度学习算法的内镜识别系统在胃镜诊疗过程中对早期ESCC检出率的研究。方法选取中国人民解放军联勤保障部队第九八八医院、中国人民解放军联勤保障部队第九八四医院及中国人民解放军联勤保障部队第九八〇医院三个消化内镜中心2018年6月至2020年6月早期ESCC、ESCC、食管隆起性病变以及食管憩室的白光图像、碘染色图像。通过训练和验证不同的目标检测模型和实例分割模型,最终选取表现最优的目标检测模型Yolov 5和实例分割模型Yolact++共同构建AI“嵌合模型”,评估该模型诊断早期ESCC的性能。结果AI“嵌合模型”对早期ESCC诊断的敏感度为95.60%,特异度为91.60%,准确率为90.70%,均优于单模型。结论本研究构建的AI“嵌合模型”可显著提高早期ESCC的检出率。

结合任务驱动和深度学习的人工智能课程教学探索

针对学生实践能力滞后和人工智能学科快速发展的矛盾,分析人工智能课程的难点和对教学能力的要求,根据任务驱动和深度学习的相互促进关系,提出在教学设计中分别通过知识补充和情境设计来满足达成低阶思维和高阶思维的条件。通过教学实践验证,说明结合任务驱动和深度学习的教学设计方法可以使学生在对知识加强理解的同时提高分析和创新能力。

基于人工智能深度学习头颈部计算机断层血管造影后处理对狭窄评估的可行性研究

目的:探讨基于人工智能(AI)深度学习头颈部计算机断层血管造影(CTA)后处理对狭窄评估的可行性。方法:选取2022年1月至2023年6月北京中医医院顺义医院行头颈部CTA的108例患者,依据诊断方法的不同将其分为AI组和人工组,每组54例。采用双源CT进行检查,数据分别传输至深睿Dr.Wise头颈CTA智能辅助系统和Siemens Syngo View后处理工作站。图像评价采用5分制,观察比较两组头颈部动脉CTA图像后处理耗时和诊断耗时,以及头颈部动脉CTA图像质量、头颈部动脉狭窄程度诊断结果。结果:AI组图像后处理耗时和诊断耗时分别为(4.09±1.09)min和(3.22±1.23)min,与人工组比较差异均有统计学意义(t=52.315、24.509,P<0.05);两名医师对头颈部动脉各分支图像评分的组内相关系数(ICC)为0.996,AI组颈总动脉评分为(4.77±0.12)分,颈内动脉(4.56±0.13)分,椎动脉(4.55±0.16)分,大脑中动脉(4.78±0.16)分;人工组颈总动脉评分为(3.02±0.12)分,颈内动脉(3.02±0.12)分,椎动脉(3.02±1.14)分,大脑中动脉(3.11±1.09)分;两组头颈部动脉各主要分支图像评分比较,AI组均高于人工组,差异均有统计学意义(t=107.165、94.590、13.812、15.753,P<0.05)。以数字减影血管造影(DSA)结果为“金标准”,纳入的所有患者44段存在狭窄的动脉进行比较,DSA显示AI组轻度狭窄12例,中度狭窄12例,重度狭窄10例;人工组轻度狭窄12例,中度狭窄8例,重度狭窄7例,AI组诊断与“金标准”有较好一致性(Kappa=0.898,P<0.05)。狭窄符合率AI组均高于人工组,AI诊断头颈部动脉狭窄程度的灵敏度(96.80%)和特异度(66.52%)均高于人工组(68.36%、14.75%),特异度差异显著。结论:AI模式头颈部动脉CTA图像后处理耗时及诊断耗时及图像质量均优于人工模式,两者诊断效能一致性良好。

从深度学习到生成式大模型——论影视制作中的人工智能技术

目的:人工智能技术不断发展,在影视制作中的应用越来越广泛,从早期在后期制作中的有限参与发展到介入影视制作全过程,特别是近年来文生图和文生视频等生成式大模型呈现出前所未有的创造性。文章对从深度学习到生成式大模型的关键技术进行深入解析,旨在推动人工智能技术在影视制作中的广泛应用。方法:文章从人工智能技术的跨模态应用出发,深入分析文生图和文生视频等生成式大模型的底层技术结构,并结合深度学习技术的发展进化,对Transformer模型和生成模型进行解析。对Transformer模型,通过与卷积神经网络对比,重点分析其注意力机制的计算优势和向视觉领域的拓展方式。对生成模型,比较了流行的生成对抗网络(GAN)、变分自编码器(VAE)和扩散模型三种类型,并结合生成式大模型分析其应用。结果:Transformer模型以自主力机制改变了深度学习的技术架构,在自然语言处理和视觉领域都取得了极大成功,触发了大模型和跨模态应用。生成式模型是高质量图像生成力的核心,Transformer与生成模型配合,形成了生成式大模型的创新力量。结论:人工智能技术在影视行业引发了极大关注,随着技术的不断升级和创作者的实践探索,人工智能技术将给影视行业带来更大的机遇与挑战。

深度学习与特征参数结合的人工智能辅助传统村落保护规划探索

随着以深度学习为代表的新一代人工智能技术的重大进展,利用人工智能辅助城乡规划设计已成为规划设计行业的关注热点和研究前沿。本文聚焦人工智能辅助传统村落保护规划编制,将深度学习技术在特征识别和快速生成方面的优势,与参数化设计方法在参与性、可控性、可解释性等方面的优势相结合,探索构建以“数据收集-模型训练-互动设计”为框架的人工智能辅助传统村落保护规划方法,并从传统村落三级保护区划定、空间风貌保护与传承、建筑风貌延续等三个方面阐释了智能规划技术在传统村落保护中的应用路径,为传统村落保护规划编制的智能化升级提供新思路。

基于深度学习的人工智能辅助胃镜下实时识别病变及位置模型的建立

目的构建一个基于深度学习的人工智能辅助诊断模型,用于实时动态识别胃镜下的胃部病变及位置,并评估其对胃部病变检出和位置识别的能力。方法回顾性分析我院104例患者的胃镜检查视频,对视频帧进行人工标注,将已标注的病变类别图片帧按8:2的比例划分成训练集与验证集,将已标注的位置类别图片帧根据患者来源按8:2的比例划分成训练集与验证集,分别用于模型的训练及验证。病变识别部分的训练采用YoloV4模型,位置识别部分的训练采用ResNet152模型。评估辅助诊断模型对病变识别的准确率、敏感度、特异度、阳性预测值、阴性预测值,及对位置识别的准确率。结果共标注图片68351帧,其中训练集图片54872帧,包括病变类别41692帧,位置类别13180帧;验证集图片13479帧,包括病变类别10422帧,位置类别3057帧。在验证集中,病变识别模型的总体准确率为98.8%,敏感度为96.6%,特异度为99.3%,阳性预测值为96.3%,阴性预测值为99.3%;位置识别模型top5总体准确率为87.1%。结论基于深度学习的人工智能辅助诊断模型用于实时动态识别胃镜下胃部病变及位置有较好的病变检出能力和位置识别能力,临床应用前景巨大。

人工智能深度学习在单光子计算机断层显像中的研究进展

人工智能深度学习技术在医学影像领域中的应用是近年来的研究热点。单光子计算机断层显像(SPECT)作为核医学影像诊断中的重要分支,为临床提供可靠的影像信息,特别是在功能显像方面具有独特优势。该文回顾近年来深度学习在SPECT中主要研究方向、研究价值和应用现状,总结现阶段各研究中存在的不足,并对未来的研究进行展望。

面向深度学习的虚拟化人工智能实验室开放平台研究

分析了人工智能实验室的发展现状和未来前景,介绍了深度学习和虚拟化技术的原理,给出了建设面向深度学习的人工智能实验室需要的硬件和软件平台方案,深入分析了硬件资源的搭建和管理以及软件环境的部署和开源数据集的选择。最后提供一些实验测试和评估的方案。这些工作将有助于提高实验室的性能、效率和可靠性,推动深度学习的研究以及教学的进展。

人工智能领域深度学习研究热点和发展趋势——基于CiteSpace的可视化分析

本文基于CiteSpace可视化分析软件,对深度学习赋能人工智能领域的研究热点和发展趋势进行了深入探究。通过文献计量学方法,系统梳理了近五年来深度学习在人工智能领域的应用与研究成果,构建了相关研究的知识图谱。研究揭示了深度学习在人工智能领域的核心研究主题、关键研究节点以及研究热点的演进路径。研究发现,深度学习在图像识别、自然语言处理、语音识别等人工智能子领域的应用取得了显著进展,同时,与大数据、云计算等技术的融合创新也成为研究的新热点。在发展趋势方面,深度学习算法的优化与创新、模型的可解释性与鲁棒性提升、以及深度学习在跨领域融合应用中的挑战与机遇成为未来研究的重点方向。本研究通过可视化分析,为深度学习赋能人工智能领域的研究者提供了直观的研究脉络和热点演进图,有助于深入理解该领域的研究现状和未来发展趋势,为相关研究的深入开展提供有力支持。

基于人工智能和深度学习的电力设备故障诊断方法

针对传统关联规则算法在电力设备故障诊断中因忽视噪声消除导致的低准确率问题,提出了一种提出基于人工智能和深度学习的电力设备故障诊断方法。通过捕捉设备正常运行状态下的信号变化,收集频域故障数据,并利用度量空间距离映射为综合灰度级故障图像,在此基础上,运用过拟合函数消除图像噪声,得到纯净的故障数据,采用人工智能算法融合这些数据,形成单一特征的设备故障矢量集合,通过深度学习构建故障诊断模型,输入矢量数据,输出故障类型,实现精准诊断。仿真实验结果表明,该方法具有更高的诊断准确率,具有实际应用价值。

基于深度机器学习的人工智能管理系统在病案管理中的应用研究

目的构建基于深度机器学习的人工智能管理系统,并探讨其在病案管理中的应用效果。方法选取2023年该院诊治患者作为研究对象,其中2023年7-9月为观察组,将2023年3-5月为对照组。选取参与2个时间段病案管理工作的医务人员20名,按管理模式不同将2023年7-9月作为A组,2023年3-5月作为B组。观察组采用基于深度机器学习的人工智能管理系统进行病案管理,对照组采用常规病案管理模式。比较观察组、对照组病案管理错误发生率,比较A组、B组管理人员借阅时间、检索时间、复印时间、病案管理质量评分及病案管理人员满意度。结果观察组病案缺陷发生率低于对照组,差异有统计学意义(P<0.05)。A组借阅时间、检索时间、复印时间短于B组,病案管理质量评分高于B组,差异有统计学意义(P<0.05)。A组病案管理人员总满意度高于B组,差异有统计学意义(P<0.05)。结论基于深度机器学习的人工智能管理系统可降低病案管理错误发生率,缩短病案管理人员借阅时间、检索时间、复印时间,提高病案管理质量和病案管理人员满意度。

促进学生深度学习的人工智能教学实践探索

初中信息科技课堂中存在学习内容相对陈旧、教学方式较为单一的现象,这导致学生表现出学习主动性不足、创造性受限、独立性欠缺等问题。为了促进学生的深度学习,教师尝试将人工智能与现有的信息科技教材有机融合,注重人工智能教学环境的设计。通过创设真实问题情境、拓展并迁移学习内容、开展深度实践活动、关联生活热点等,项目学习活动被应用于提高学生知识迁移运用与问题解决的能力。项目学习能为学生的深度学习提供内驱力,教师要在人工智能项目实践中为学生提供必要的学习支架,引导他们经历知识的体验、理解、实践与迁移,从而促进学生通过深度加工把握知识的本质。

基于深度学习人工智能在肺结节定性诊断中的临床应用研究

目的:探讨基于深度学习人工智能在肺结节定性诊断中的临床应用价值。方法:回顾性分析2020年1月—2022年12月东莞市松山湖中心医院符合纳入标准的230例患者的325个肺结节的资料,根据阅片方式分为A组(双人阅片),B组(AI单独阅片),C组(双人+AI综合阅片),以病理为金标准,统计和比较各组对325个肺结节检出的阅片时间、灵敏度、特异度、阳性预测值、阴性预测值、准确率。结果:A组阅片时间(14.37±2.12)min,B组阅片时间(1.34±0.12)min,C组阅片时间(8.34±1.26)min,B组阅片时间短于A组和C组,且C组阅片时间短于A组,差异具有统计学意义(P<0.05)。A组诊断的灵敏度、特异度、阳性预测值、阴性预测值、准确率分别为85.97%、36.17%、88.85%、30.36%、78.76%,B组分别为91.01%、42.55%、90.36%、44.44%、84.00%,C组分别为90.29%、55.32%、92.27%、49.27%、85.23%,各组差异有统计学意义(P<0.05)。结论:AI辅助医师阅片可以缩短阅片时间,有效提高肺结节诊断的灵敏度、特异度和准确率。

基于深度学习的人工智能算法在乳腺钼靶影像阅读中的应用及其诊断效能评估

本研究旨在评估基于深度学习的人工智能算法在乳腺钼靶影像阅读中的应用效果,并通过分组对比分析其诊断效能。方法 本研究收集了2023年1月至2023年12月期间在我院进行乳腺钼靶检查的800例患者影像数据。将数据随机分为两组:人工智能组(AI组,400例)和传统放射科医师组(传统组,400例)。AI组采用基于深度学习的人工智能算法进行影像分析,传统组由经验丰富的放射科医师进行影像阅读。将最终临床诊断结果作为“金标准”,对比两组在阳性预测值、阴性预测值、灵敏性、特异性方面的表现;随机抽取50例患者的影像数据进行阅片,对比两组的平均阅片时间。结果 AI组在阳性预测值、阴性预测值、灵敏性、特异性方面优于传统组(P<0.05);AI组的阅片时间短于传统组(P<0.05)。结论 基于深度学习的人工智能算法在乳腺钼靶影像阅读中表现出较高的诊断效能,尤其在诊断准确率、敏感性和阴性预测值方面优于传统放射科医师。同时,人工智能算法显著缩短了影像阅读时间,具有较高的临床应用价值。未来应进一步优化算法,并在更大规模的多中心研究中验证其稳定性和普适性。

面向深度学习的人工智能问题解决式教学活动设计与实践——以“对话机器人”教学为例

本文基于IDEAL理论,深入探讨面向学生深度学习的人工智能问题解决式教学模型。该模型通过创设真实的问题情境,引导学生投入问题解决的过程,实现对人工智能知识的深度理解和应用。通过识别问题,分析问题、探求问题等环节,培养学生的深度学习能力。同时,本文通过具体的教学案例,为人工智能教学提供了有益的教学理论支撑和实践策略,有助于推动教育教学的创新与发展。