深度学习在糖尿病视网膜病变分级中的应用

近年来,糖尿病视网膜病变(diabetic retinopathy,DR)成为全球失明人口增加的主要原因,早期的DR严重程度分级对防止DR患者视力丧失尤为重要.由于糖尿病患者数量的逐年上升,DR分级的需求量也不断增加,然而传统的人工分级不能满足日益增长的需求,且人工分级耗时费力.深度学习技术的发展,为DR检测和分级提供了高效率且更可靠的手段.虽然,目前的DR二元检测已经取得十分好的效果,然而由于糖尿病视网膜病变的复杂性和病变程度之间的差距细微,DR严重程度分级仍然是一个具有挑战性的问题.本文对近年来涌现的DR分级方法进行了研究和总结:介绍了基于VGG、InceptionNet、ResNet、EfficientNet、DenseNet、CapsNet模型的6种深度学习分级方法;并介绍了基于多网络融合的DR分级方法;最后对基于深度学习的DR分级方法的研究趋势进行总结和展望.

基于轻量级RG-DenseNet的COVID-19 CT图像分类

目的:基于轻量级RG-DenseNet构建COVID-19 CT图像分类模型。方法:以DenseNet121为基础,添加通道和空间注意力机制模块减少无关特征的干扰,将DenseNet中的Bottleneck模块替换为前激活的RG-beneck2模块减少模型参数的同时保持精度尽可能不变。构建RG-DenseNet模型,在COVIDx CT-2A数据集上进行3分类实验。结果:RG-DenseNet准确率为98.93%、精确率为98.70%、召回率为98.97%、特异性为99.48%、F1分数为98.83%。结论:RG-DenseNet与原模型DenseNet121相比在保持准确度仅降低0.01%的情况下,减少92.7%的参数量和计算量,轻量化效果显著,具有实际应用价值。

人工智能在肺腺癌病理学亚型分型及基因表达分析中应用的研究进展

肺腺癌是非小细胞肺癌的一种普遍组织学亚型,具有不同的形态学和分子特征,这对预后和治疗计划至关重要。近年来,随着人工智能技术的发展,其在肺腺癌病理学亚型及基因表达研究中的应用得到了广泛关注。本文综述了机器学习和深度学习在肺腺癌病理学亚型分型及基因表达分析中应用的研究进展,总结现阶段存在的一些问题和挑战,并展望了人工智能在肺腺癌研究中的未来发展方向。