基于深度学习技术的神经外科疾病智慧辅助分诊模型研究

随着深度学习技术发展与临床数据的快速积累,医学人工智能成为研究热点。基于临床文本信息,利用机器学习和自然语言处理技术进行临床辅助诊疗决策是重要的应用方向。然而,主要研究都聚焦于高质量数据基础上的通用或常见的临床诊疗预测任务(如基于影像的医学诊断等)。由于临床环节多样,常常存在数据资源不足情况下的诊疗决策,如复杂疾病的门急诊分诊诊断临床工作量大,智能预测模型能够提升临床效率,是具有重要价值的新方向。本研究以4万余例医院神经外科临床文本数据为基础,提出了一种基于深度学习的神经外科辅助分诊模型(ABTC)。该模型融合了ALBERT预训练模型和TextCNN卷积神经网络,以增强医学文本的嵌入表示和上下文内容的学习,从而提高神经外科诊断的准确性和效率。实验结果显示,该模型对69种神经外科疾病的预测性能F1值达到了0.7769(高于所有基线模型)。同时,在常见神经外科疾病如创伤性脑损伤诊断预测性能表现良好,F1值>0.90。提示神经外科门急诊辅助分诊模型对提升临床诊疗决策效率具有一定价值。

基于深度学习的腰椎间盘突出症辅助诊断

针对腰椎骨结构复杂智能辅助诊断难的问题,提出一种基于深度学习的计算机辅助诊断方法框架,对腰椎间盘突出症(LDH)进行辅助诊断。首先,在U-Net的编码和解码过程中加入Resblock模块且保留U-Net的跳跃连接,以增强目标区域特征传递、减少特征丢失并加快模型收敛速度。其次,通过最小包络矩形法定位椎骨中心,根据定位在椎骨矢状面原图上裁剪合适大小的ROI,实现全自动ROI获取。最后,在Xception网络中使用平均池化代替Flatten操作,添加BN层、Droupout层和动态学习率提升模型的速度和精确度。针对上海某医院腰椎间盘突出症的MRI病例,通过分类模型评价标准评估训练后发现,所提框架诊断准确率ACC为94.46%,特异性SPE为94.60%,灵敏性SEN为97.09%,精确率PRE为94.32%,相较于以往研究均有提升,对推动计算机智能辅助诊断在临床上的应用具有重要意义。

基于深度学习算法的新一代人工智能独立软件研究的伦理审查重点

通过整理2017年1月至2021年11月北京市某三甲医院医学伦理委员会审查的新一代人工智能独立软件研究,对其方案设计的完整性、受试者权益保护、数据利用与存储等多个维度涉及的共性问题进行分析归纳,提出伦理委员会在审查此类研究时应特别关注其在方案设计、数据安全性、风险评估、跟踪审查等不同于常规临床研究的方面,从而为新一代人工智能独立软件研究的伦理审查提供思路。

基于深度学习的第三类独立医用软件产品现状分析和展望

目的:根据人工智能医疗器械中的第三类深度学习独立软件及其企业的相关情况,分析二者的特征和内在原因,为产业发展提供参考。方法:根据国家药品监督管理局网站和国家企业信用信息公示系统网站的公开信息,整理第三类深度学习独立软件及企业信息,并做描述性统计分析。结果:2020年以来,我国有53项第三类深度学习独立软件通过了注册审批,审评数量逐年增加,主要集中在肺和心脏等部位。这些产品分别属于26家企业,在成立时间和地域分布上呈现一定的集中趋势。结论:人工智能医疗器械的健康发展,需持续以临床应用为导向,加强配套政策支持,重视技术和人才的创新作用。

人工智能发芽土豆分拣机——基于深度学习的人工智能大单元教学设计

选题背景《新一代人工智能发展规划》将人工智能发展提升至国家战略层面,明确指出要完善人工智能教育体系,在中小学阶段设置人工智能相关课程。《义务教育信息科技课程标准(2022年版)》中提出了对人工智能教育的具体要求。然而,纵观世界各国对于基础教育阶段的人工智能教育尚未形成完整的体系,缺少系统、科学的课程内容,更没有配套的软件平台和硬件形成合力,导致目前相关教学难以有效组织和实施。

基于深度学习的草图识别辅助绘图软件设计开发

作者阐述:草图是人类快速可视化表达意图和目标对象的常见、直接且重要的信息形式。对于工业设计,手绘草图更是设计师们快速进行方案构思、设计迭代和辅助三维建模的必不可少的手段。但是,目前的草图绘图软件需要用户自行搜集素材进行绘制,效率不高。本设计针对上述问题设计开发了基于深度学习的草图识别辅助绘图软件。解决目前草图识别技术存在的训练样本不足、识别准确度不高和交互界面存在的可用性较差、未充分考虑不同行业使用人员需求的问题。在草图识别算法上,提出了一种新的草图识别模型:“AMBG-Sketch-Net”手绘草图识别双分支网络,识别准确率达到87.2%。在软件设计上,打破传统草图识别辅助工具由算法主导识别结果,用户被动选择的模式,将用户作为主导者,根据其偏好职业等自由改变调整识别结果,辅助绘图。在界面设计上,基于交互设计与评估体系设计软件界面,使其符合目标用户认知,满足用户需求,易操作。

基于深度学习神经网络技术的脊柱椎弓根螺钉自动规划研究

目的:针对骨科手术机器人螺钉手工规划效率低下的问题,实现基于CT的脊柱椎弓根螺钉自动、高效、高质量规划。方法:采用深度学习神经网络对标注分割和螺钉的CT图像进行有监督的机器学习,实现脊柱椎弓根螺钉的自动规划;本实验使用44例腰椎CT共440枚螺钉作为训练集,使用11例CT生成110枚螺钉作为测试集,以手工规划作为对照组,通过盲法专家评价评估螺钉规划效果,并通过记录规划时间评估规划效率。结果:该自动规划方法生成的螺钉规划临床可用率为95.4%,自动规划时间与平均手工规划时间分别为68.8 s和177.6 s。结论:该自动规划方法可初步实现高效、高质量的脊柱椎弓根螺钉自动规划,但仍需临床医生监督复核。

美国人工智能辅助教学的前沿进展——以魔力学校AI平台为例

人工智能(AI)正在重塑教育领域,其中AI辅助教学成为提升教学效率和质量的关键途径。魔力学校(Magic School AI)作为美国教育改革的先锋,通过生成式AI技术,为教育工作者和学习者提供了创新的教学和学习体验。该平台基于建构主义学习理论、通用学习设计理念和知识深度模型,设计了多样化的教学工具,其优势主要体现在个性化学习、适应不同学习环境和促进有效沟通与协作方面。然而,随着AI教学工具的广泛应用,数据隐私、技术偏见和用户接受度等问题也日益凸显,需要在推广过程中予以解决。魔力学校AI平台的成功经验,对于人工智能与应用技术的研究和实践具有重要参考价值,为全球教育工作者和政策制定者提供了AI辅助教学的宝贵经验和启示,促进了对教育技术未来发展的深入思考。

基于深度学习与点云数据的3D检测系统应用研究

为了解决高低差场景中平坦度高的2D视觉检测乏力的问题,基于深度学习和点云数据处理平台,融合3D点云格式图像和深度学习技术,建立微米精度、在线检测、成本可控的3D检测架构机制。采用相移和光栅投影结构光技术的硬件方案获取3D点云原始数据,基于强大的CPU和GPU处理芯片,对经过被测物体调制的光栅图案进行重新编码,并结合标定参数解算3D点云数据。对2D深度学习模型进行升级开发,可对点云数据进行标注、学习训练和检测,并将3D硬件、3D软件和3D算法进行整合。实验结果表明,所提系统有利于3D缺陷检测系统的落地,为智能3D检测设备奠定算法和软件基础。

基于自注意力深度强化学习的特定流路由选择算法

为了有效降低传统流量工程机制中重路由对网络带来的负面影响,基于软件定义网络的全局网络视角和管理能力,提出一种基于自注意力深度强化学习的特定流路由选择算法,以重新路由少量流量达到接近最优的性能。通过多尺度融合注意力机制的神经网络模型来提取流量的特征,并采用集中式训练-分布式执行架构,根据观测网络状态做出实时决策。理论研究和实验结果表明,与传统深度强化学习算法与启发式算法相比,所提算法在平均负载和端到端延迟性能方面均有显著改进。

基于多实例学习的消化道病理辅助筛查模型研究

目的:构建基于多实例学习的消化道病理辅助筛查模型,帮助病理医生在消化道远程会诊场景下快速准确地进行诊断。方法:从郑州大学第一附属医院国家远程医疗中心的远程病理诊断平台收集从2018年至2023年的病理切片图像,经关键词筛选得到6228张消化道切片图像,经数据清洗最终得到5658张切片图像用于模型的训练与测试。该模型由多个基于深度学习的算法模块构成,包括前景提取、图像块分类和切片分类。模型使用消化道阳性切片679张和阴性切片1304张进行训练,在2353张阳性切片和295张阴性切片上进行测试。该模型输入为消化道数字病理切片,输出为该数字切片为阳性切片的概率值。选取具有基层医院医生诊断的切片1027张作为独立数据集比较本文模型和基层医生的分类性能。结果:本模型切片分类的特异度、敏感度和ROC曲线下面积(AUC)分别为0.902、0.955和0.978。选取1027张切片进行人机结果对比,结果显示,本模型的敏感度为0.96,特异度0.95;与基层医院医生诊断结果相比,敏感度提升6.7%,特异度提升26.7%。结论:基于多实例学习的消化道病理辅助筛查模型准确性较高,可提升基层医疗机构医生诊断水平,为临床诊疗提供有效的决策支持。

基于深度学习的程序合成研究进展

随着软件工程实践的不断深入、开源社区的蓬勃发展,基于深度学习的程序合成引起了学术界和工业界的广泛关注.基于深度学习的程序合成,即程序智能合成,旨在利用深度学习技术自动生成满足用户意图的程序.相较于传统合成方法在扩展性和实用性方面的局限性,程序智能合成凭借其易扩展、可学习迭代等特性,已迅速崭露头角,成为软件工程领域的研究热点之一.最近,研究学者们在程序智能合成方面取得了显著进展,如GPT-4在LeetCode网站上的表现已经可以与人类相媲美.同时,工业界也推出了多款AI编程助手,如Copilot、Comate等,旨在解决软件开发的产能瓶颈.本文从多个角度出发,包括用户意图理解、程序理解、模型训练、模型测试与评估,归纳梳理了程序智能合成的研究进展,综述了该领域近几年的研究成果.此外,本文还对可能面临的挑战进行了探讨,并展望了未来的发展趋势.本文的研究有助于研究学者们全面了解程序智能合成领域的最新研究进展,同时也有助于软件开发人员快速掌握程序智能合成的技术方案和思路,以满足工业实践的需要.

第三类深度学习独立软件产品注册情况分析

目的:统计分析人工智能医疗器械重点产品的注册情况,了解产业发展情况,完善监管要求。方法:基于国家药品监督管理局网站数据查询,梳理近3年第三类深度学习独立软件的产品注册情况,并进行统计分析。结果:23家企业注册21种共39项产品,2020年、2021年、2022年分别注册9项、11项、19项,其中进口产品仅2020年注册1项。结论:我国人工智能医疗器械产业已进入快速发展阶段,需要加速重点产品指导原则的制定工作,加强信息化建设和产品标识工作,以完善监管要求。

智能软件的后门攻击及检测综述

智能软件作为人工智能技术快速发展的代表性应用之一,在解决软件工程类问题、提高软件运行效率方面发挥着关键作用,但其安全问题也逐渐受到关注。后门攻击作为一种常见的软件攻击方式,攻击者可通过操控在软件中隐藏的恶意功能控制软件行为,从而窃取数据或执行其他恶意操作,给用户带来巨大的安全威胁。为此,从软件工程角度进行综述,首先介绍后门攻击的基本概念、分类及与其他攻击方法的比较;其次分析后门攻击的常见手段并进行比较;最后讨论防御后门攻击的策略与技术,结合智能软件中的深度神经网络模型对后门植入检测与防御相关方法进行归纳、比较与展望。研究后门攻击与防御技术可以促进软件产业的创新发展,提高软件的安全性与可靠性。

基于深度学习的车道线检测算法的研究

近年来,随着软硬件设备的快速升级,智能设备得到了快速发展,智能辅助驾驶技术逐渐落地。而智能辅助驾驶要解决的关键问题之一是车道线、车辆以及行人三者之间的矛盾,因此对智能辅助驾驶系统中的车道线检测展开研究。针对车道线检测算法,采用了不规则编码器-解码器的网络结构以及多任务学习的思想,对车道线检测算法LaneNet进行改进以及对卷积模块进行优化,解决了复杂场景难以检测以及模型精度低的问题。经过大量数据训练和实测数据集的验证,车道线检测在Tusimple数据集上的准确率为96.42%,参数量为5.14 M。测试结果表明:车道线检测效果较好,满足车道线检测的研究目标。

英语类人工智能辅助App在高职学生中的使用现状调研及分析

培养学生的终身学习能力和意识,对我国从人口大国成长为人才强国具有重要的意义。课堂作为教书育人的场所,不仅应该引导高校学生高效学习,同时更应该培养高校学生的反思、批判及整合等学习能力。在人工智能时代,高职英语教师应该鼓励学生选取合适的人工智能学习工具学习英语,提高学习效率。为了研究在当前背景下,高职院校学生对英语类人工智能辅助App的了解情况、接受程度以及使用现状,文章对来自不同地区不同高职院校的1000位高职在校生进行了问卷调查,并对结果进行了统计分析。研究结果表明,目前大多数高职在校生对英语类人工智能辅助App还不够了解,但是都持积极态度。数据还显示随着人工智能辅助App在英语学习中使用频次的增加,学习效果不断提升,英语成绩也随之进步。最后,基于研究结果,笔者对人工智能背景下如何促进学生深度学习提出建议。

甲状腺结节诊断中应用人工智能计算机辅助诊断技术(AI)的价值

探讨甲状腺结节诊断中应用人工智能计算机辅助诊断技术(AI)的价值和效能。方法 于2021年12月至2023年12月在本院招募316例甲状腺结节患者,随机分为AI组(n=158)和常规组(n=158),分别接受AI诊断和常规超声诊断,对甲状腺结节良恶性进行鉴别,比较两组的诊断效果、细针穿刺活检率和诊断时间。结果 AI组的诊断准确率、灵敏度、特异度、阳性预测值、阴性预测值分别为92.41%、95.24%、90.12%、88.89%、95.83%,均高于常规组的81.65%、88.10%、76.27%、77.78%、86.36%(P<0.05);AI组的细针穿刺活检率(49.37%)低于常规组(80.38%),诊断时间(3.23±0.75 min)短于常规组的8.46±1.13 min(P<0.05)。结论 甲状腺结节诊断中应用AI技术可以提高诊断的准确性,减少不必要的有创性检查,节省医疗资源,为临床决策提供有力的辅助工具。

基于人工智能技术的计算机软件系统优化方法研究

随着计算机软件系统规模与复杂性的激增,优化软件系统以提升其性能与效率变得日益关键。本文探讨了基于人工智能技术的软件系统优化方法。首先,概述了传统优化技术的局限性,随后介绍了人工智能技术的核心概念及其发展。文章重点分析了深度学习、强化学习和自然语言处理等人工智能技术在软件系统优化中的应用,并通过案例研究详细阐述了这些技术的实际效果。研究结果显示,基于人工智能的软件系统优化技术能够显著提升系统的整体性能与效率,具有显著的优势和巨大的发展潜力。

深度学习在科学计算与工程中的应用与探索

继实验、理论、计算之后,人工智能已成为一类新的科研范式。本文中主要讨论深度学习在科学计算中的应用,具体讨论了基于深度学习、深度算子学习的数据与机理建模及模拟,以及深度学习求解微分方程的高精度算法。特别地,本文从不同角度讨论了深度学习算法对于科学计算与工程的科学意义,并对未来发展方向给出一些建议。

深度学习人工智能技术在医学影像辅助分析中的应用

随着医学影像分析技术的快速发展和临床影像数据量的急剧增长,如何快速准确地针对不同疾病医学影像进行精确诊断、分类和预后评估,是现代医学工作者面临的重大挑战。深度学习是一种高通量自动化提取高维度特征信息的新一代人工智能技术,目前已广泛应用于临床医学大数据分析领域,为临床医学影像的快速识别、精准分割和辅助诊断等分析工作提供了新的契机。本文综述了近年来深度学习技术在医学影像分析领域的最新研究进展,探讨了深度学习在MRI、CT、超声和X线等医学影像分析中的重要方法和典型应用,展望了深度学习人工智能在医学影像分析中的发展前景。