期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
4
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于无监督学习的神经精神疾病辅助诊断研究进展
1
作者
王昱然
彭润霖
+3 位作者
周钰斌
陈鹏天
吴凯
周静
《中国医学物理学杂志》
CSCD
2024年第6期782-787,共6页
传统的神经精神疾病诊断主要依赖于专科医生的主观评价、神经心理测试、生化检查等方式,缺乏客观、精准、智能的生物学标记物。近年来,随着神经影像及人工智能技术的快速发展,无监督学习这种具有不依赖外部标签、模型泛化性高、特征自...
传统的神经精神疾病诊断主要依赖于专科医生的主观评价、神经心理测试、生化检查等方式,缺乏客观、精准、智能的生物学标记物。近年来,随着神经影像及人工智能技术的快速发展,无监督学习这种具有不依赖外部标签、模型泛化性高、特征自动提取等优点的机器学习方法,已经被广泛应用于神经精神疾病辅助诊断领域。相较于传统的监督学习方法,无监督学习更能实现个体化、精准化、智能化的神经精神疾病诊断。文章综述了近年来无监督学习在神经精神疾病辅助诊断中的研究进展,总结了无监督学习在阿尔兹海默症、精神分裂症、重度抑郁症以及自闭症谱系障碍中的研究成果,并指出当前研究存在图像处理能力差、样本量小、缺少生化指标数据等问题及难点,融合神经网络、多站点大样本、多维度数据深度融合是无监督学习方法应用的发展方向。
展开更多
关键词
无监督学习
神经精神疾病
辅助诊断
生物亚型
综述
下载PDF
职称材料
基于图神经网络的神经精神疾病研究进展
2
作者
王海源
吴凯
+3 位作者
陈小怡
彭润霖
梁丽琴
周静
《生物医学工程研究》
2024年第3期246-255,共10页
神经精神疾病严重影响患者脑解剖结构、神经系统功能及心理健康,其早期识别与诊断对患者的治疗及康复具有重要意义。基于神经影像数据构建复杂的脑网络,可用于定量化分析神经精神疾病患者的脑结构及功能异常,为研究神经精神疾病的神经...
神经精神疾病严重影响患者脑解剖结构、神经系统功能及心理健康,其早期识别与诊断对患者的治疗及康复具有重要意义。基于神经影像数据构建复杂的脑网络,可用于定量化分析神经精神疾病患者的脑结构及功能异常,为研究神经精神疾病的神经影像生物标记物提供重要参考。近年来,图神经网络具有处理非欧几里得数据、能充分利用节点与连边的拓扑结构和属性等优势,被广泛应用于神经精神疾病的辅助诊断研究。本文对图卷积神经网络的基本原理和神经精神疾病的最新研究进展进行了总结和分析,并展望了动态脑网络、大样本与多中心、可视化与可解释性等研究热点。
展开更多
关键词
磁共振成像
神经精神疾病
脑网络
自动分类
图神经网络
疾病诊断
下载PDF
职称材料
我国医学人工智能软件及其测试技术发展概况
被引量:
1
3
作者
彭润霖
吴凯
+3 位作者
陈超敏
邓泽亚
陈铭湘
周静
《中国医疗设备》
2023年第4期155-160,共6页
医学软件测试是评估医学软件功能及性能的主要技术手段。近年来,随着人工智能(Artificial Intelligence,AI)技术在医学领域的广泛应用,医学AI软件不断更新,其覆盖高算力、数据量大、模型复杂,而传统医学软件测试技术已不能满足相关需求...
医学软件测试是评估医学软件功能及性能的主要技术手段。近年来,随着人工智能(Artificial Intelligence,AI)技术在医学领域的广泛应用,医学AI软件不断更新,其覆盖高算力、数据量大、模型复杂,而传统医学软件测试技术已不能满足相关需求,从而导致医学AI软件测试存在效果不佳、审评审批进展缓慢等问题,严重制约产业及其行业的发展。与传统医学软件测试技术相比,医学AI软件测试技术能够针对医学AI软件关键检测内容及性能指标,有效提高医学AI软件的检测效率。本文概述医学AI软件的发展现状,并与传统医学软件进行对比,总结现有医学软件测试技术,对医学AI软件测试技术的研究进展和不足之处进行综合分析,同时对医学AI软件发展面临的挑战及问题进行展望,旨在为医学AI软件测试技术的发展提供一定的理论基础。
展开更多
关键词
医学软件
人工智能
软件测试
性能指标
下载PDF
职称材料
基于脑电的精神疾病自动分类研究进展
被引量:
3
4
作者
李懿
吴凯
+5 位作者
李文豪
彭润霖
陈超敏
邓泽亚
周静
林岚(审校)
《生物医学工程与临床》
CAS
2023年第2期238-246,共9页
临床上精神疾病的诊断大多依赖于精神科医生的主观评价,缺少客观有效的生物学指标。脑电信号分析与机器学习方法相结合,在精神疾病辅助诊断领域的应用发展迅速,采用传统机器学习算法和深度学习算法,对脑电信号特征进行学习,从而实现精...
临床上精神疾病的诊断大多依赖于精神科医生的主观评价,缺少客观有效的生物学指标。脑电信号分析与机器学习方法相结合,在精神疾病辅助诊断领域的应用发展迅速,采用传统机器学习算法和深度学习算法,对脑电信号特征进行学习,从而实现精神疾病的分类研究。文章介绍了脑电信号的基本概念、处理流程及其常用特征,笔者总结了脑电信号在抑郁症、双相情感障碍、精神分裂症等精神疾病自动分类的研究进展,最后展望了机器学习方法在该领域的发展趋势。采用传统的机器学习方法仍然是用于自动分类主流的工具。但深度学习内部复杂的体系结构及训练过程阻碍了对其内部的理解,难以解释其在医学领域的作用,因此深度学习也是脑电研究发展方向之一。此外,单独对脑电图进行分析难以囊括患者所有的特征,需与其他模态的生理参数结合进行多生理参数融合分析,使得疾病诊断更加智能化。
展开更多
关键词
脑电信号
精神疾病
自动分类
机器学习
深度学习
下载PDF
职称材料
题名
基于无监督学习的神经精神疾病辅助诊断研究进展
1
作者
王昱然
彭润霖
周钰斌
陈鹏天
吴凯
周静
机构
华南理工大学生物医学科学与工程学院
华南理工大学材料科学与工程学院
华南理工大学国家人体组织功能重建工程技术研究中心
广东省精神疾病转化医学工程技术研究中心
广东省老年痴呆诊断与康复工程技术研究中心
华南理工大学广东省生物医学工程重点实验室
出处
《中国医学物理学杂志》
CSCD
2024年第6期782-787,共6页
基金
广东省科技重点领域研发计划项目(2020B0101130020,2020B0404010002,2018B030335001)
国家重点研发计划(2020YFC2004300,2020YFC2004301,2021YFC2009400,2021YFC2009404)
+3 种基金
国家自然科学基金(72174082)
广东省基础与应用基础研究基金自然科学基金杰出青年项目(2021B1515020064)
广州市科技计划(201903010032,202103000032,202206010077,202206060005,202206080005,202206010034)
广东省普通高校重点实验室项目(2020KSYS001)。
文摘
传统的神经精神疾病诊断主要依赖于专科医生的主观评价、神经心理测试、生化检查等方式,缺乏客观、精准、智能的生物学标记物。近年来,随着神经影像及人工智能技术的快速发展,无监督学习这种具有不依赖外部标签、模型泛化性高、特征自动提取等优点的机器学习方法,已经被广泛应用于神经精神疾病辅助诊断领域。相较于传统的监督学习方法,无监督学习更能实现个体化、精准化、智能化的神经精神疾病诊断。文章综述了近年来无监督学习在神经精神疾病辅助诊断中的研究进展,总结了无监督学习在阿尔兹海默症、精神分裂症、重度抑郁症以及自闭症谱系障碍中的研究成果,并指出当前研究存在图像处理能力差、样本量小、缺少生化指标数据等问题及难点,融合神经网络、多站点大样本、多维度数据深度融合是无监督学习方法应用的发展方向。
关键词
无监督学习
神经精神疾病
辅助诊断
生物亚型
综述
Keywords
unsupervised learning
neuropsychiatric disorder
auxiliary diagnosis
biological subtype
review
分类号
R318 [医药卫生—生物医学工程]
R74 [医药卫生—神经病学与精神病学]
下载PDF
职称材料
题名
基于图神经网络的神经精神疾病研究进展
2
作者
王海源
吴凯
陈小怡
彭润霖
梁丽琴
周静
机构
华南理工大学生物医学科学与工程学院
华南理工大学国家人体组织功能重建工程技术研究中心
广东省精神疾病转化医学工程技术研究中心
广东省老年痴呆诊断与康复工程技术研究中心
华南理工大学广东省生物医学工程重点实验室
华南理工大学材料科学与工程学院
出处
《生物医学工程研究》
2024年第3期246-255,共10页
基金
广东省科技重点领域研发计划项目(2020B0404010002)
国家重点研发计划(2023YFC2414500,2023YFC2414504)
+4 种基金
国家自然科学基金资助项目(72174082)
广东省基础与应用基础研究基金杰出青年项目(2021B1515020064)
广东省基础与应用基础研究基金(2022A1515140142)
广东省教育厅重点实验室项目(2020KSYS001)
广州市科技计划项目(202103000032,202206060005,202206080005,202206010077,202206010034)。
文摘
神经精神疾病严重影响患者脑解剖结构、神经系统功能及心理健康,其早期识别与诊断对患者的治疗及康复具有重要意义。基于神经影像数据构建复杂的脑网络,可用于定量化分析神经精神疾病患者的脑结构及功能异常,为研究神经精神疾病的神经影像生物标记物提供重要参考。近年来,图神经网络具有处理非欧几里得数据、能充分利用节点与连边的拓扑结构和属性等优势,被广泛应用于神经精神疾病的辅助诊断研究。本文对图卷积神经网络的基本原理和神经精神疾病的最新研究进展进行了总结和分析,并展望了动态脑网络、大样本与多中心、可视化与可解释性等研究热点。
关键词
磁共振成像
神经精神疾病
脑网络
自动分类
图神经网络
疾病诊断
Keywords
Magnetic resonance imaging
Neuropsychiatric diseases
Brain network
Automatic classification
Graph neural network
Disease diagnosis
分类号
R318 [医药卫生—生物医学工程]
R74 [医药卫生—神经病学与精神病学]
TP183 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
我国医学人工智能软件及其测试技术发展概况
被引量:
1
3
作者
彭润霖
吴凯
陈超敏
邓泽亚
陈铭湘
周静
机构
华南理工大学生物医学科学与工程学院广州国际校区
华南理工大学国家人体组织功能重建工程技术研究中心
华南理工大学材料科学与工程学院
南方医科大学生物医学工程学院
广州双悠生物科技有限责任公司
广州互云医院管理有限公司
出处
《中国医疗设备》
2023年第4期155-160,共6页
基金
国家重点研发计划(2019YFC0118800,2019YFC0118805)
国家自然科学基金(72174082)
+2 种基金
广东省基础与应用基础研究基金自然科学基金杰出青年项目(2021B1515020064)
广州市科技计划(201903010032,202103000032,202206010077,202206060005,202206080005,202206010034)
广东省普通高校重点实验室项目(2020KSYS001)。
文摘
医学软件测试是评估医学软件功能及性能的主要技术手段。近年来,随着人工智能(Artificial Intelligence,AI)技术在医学领域的广泛应用,医学AI软件不断更新,其覆盖高算力、数据量大、模型复杂,而传统医学软件测试技术已不能满足相关需求,从而导致医学AI软件测试存在效果不佳、审评审批进展缓慢等问题,严重制约产业及其行业的发展。与传统医学软件测试技术相比,医学AI软件测试技术能够针对医学AI软件关键检测内容及性能指标,有效提高医学AI软件的检测效率。本文概述医学AI软件的发展现状,并与传统医学软件进行对比,总结现有医学软件测试技术,对医学AI软件测试技术的研究进展和不足之处进行综合分析,同时对医学AI软件发展面临的挑战及问题进行展望,旨在为医学AI软件测试技术的发展提供一定的理论基础。
关键词
医学软件
人工智能
软件测试
性能指标
Keywords
medical software
artificial intelligence
software testing
performance index
分类号
R445 [医药卫生—影像医学与核医学]
下载PDF
职称材料
题名
基于脑电的精神疾病自动分类研究进展
被引量:
3
4
作者
李懿
吴凯
李文豪
彭润霖
陈超敏
邓泽亚
周静
林岚(审校)
机构
华南理工大学自动化科学与工程学院
华南理工大学生物医学科学与工程学院
华南理工大学材料科学与工程学院
华南理工大学国家人体组织功能重建工程技术研究中心
广东省精神疾病转化医学工程技术研究中心
广东省老年痴呆诊断与康复工程技术研究中心
广东省第二人民医院人工智能医疗应用研究所
南方医科大学生物医学工程学院
广州双悠生物科技有限责任公司
北京工业大学
出处
《生物医学工程与临床》
CAS
2023年第2期238-246,共9页
基金
国家重点研发计划(2019YFC0118800,2019YFC0118804,2019YFC0118805,2019YFC0118802,2020YFC2004300,2020YFC2004301,2021YFC2009400,2021YFC2009404)
国家自然科学基金资助项目(72174082)
+3 种基金
广东省基础与应用基础研究基金自然科学基金杰出青年项目(2021B1515020064)
广东省科技重点领域研发计划项目(2018B030335001,2020B0101130020,2020B0404010002)
广州市科技计划项目(201903010032,202103000032,202206010077,202206060005,202206080005,202206010034)
广东省普通高校重点实验室项目(2020KSYS001)。
文摘
临床上精神疾病的诊断大多依赖于精神科医生的主观评价,缺少客观有效的生物学指标。脑电信号分析与机器学习方法相结合,在精神疾病辅助诊断领域的应用发展迅速,采用传统机器学习算法和深度学习算法,对脑电信号特征进行学习,从而实现精神疾病的分类研究。文章介绍了脑电信号的基本概念、处理流程及其常用特征,笔者总结了脑电信号在抑郁症、双相情感障碍、精神分裂症等精神疾病自动分类的研究进展,最后展望了机器学习方法在该领域的发展趋势。采用传统的机器学习方法仍然是用于自动分类主流的工具。但深度学习内部复杂的体系结构及训练过程阻碍了对其内部的理解,难以解释其在医学领域的作用,因此深度学习也是脑电研究发展方向之一。此外,单独对脑电图进行分析难以囊括患者所有的特征,需与其他模态的生理参数结合进行多生理参数融合分析,使得疾病诊断更加智能化。
关键词
脑电信号
精神疾病
自动分类
机器学习
深度学习
分类号
R749 [医药卫生—神经病学与精神病学]
TN911.7 [电子电信—通信与信息系统]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于无监督学习的神经精神疾病辅助诊断研究进展
王昱然
彭润霖
周钰斌
陈鹏天
吴凯
周静
《中国医学物理学杂志》
CSCD
2024
0
下载PDF
职称材料
2
基于图神经网络的神经精神疾病研究进展
王海源
吴凯
陈小怡
彭润霖
梁丽琴
周静
《生物医学工程研究》
2024
0
下载PDF
职称材料
3
我国医学人工智能软件及其测试技术发展概况
彭润霖
吴凯
陈超敏
邓泽亚
陈铭湘
周静
《中国医疗设备》
2023
1
下载PDF
职称材料
4
基于脑电的精神疾病自动分类研究进展
李懿
吴凯
李文豪
彭润霖
陈超敏
邓泽亚
周静
林岚(审校)
《生物医学工程与临床》
CAS
2023
3
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部