- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
DeepSeeNet：一个基于深度学习的模型，用于从彩色眼底照片中自动分类患者年龄相关性黄斑变性的严重程度
摘要： 在评估年龄相关性黄斑变性（AMD）的严重程度时，年龄相关性眼病研究（AREDS）简化严重程度分级量表可预测进展为晚期AMD的风险。但该量表的手动应用需要专家投入耗时操作。尽管目前已有多种自动化深度学习系统能通过AREDS严重程度评分对单眼彩色眼底照片（CFP）进行分类，但尚无基于患者双眼图像综合评分的系统。 设计：本研究开发了深度学习模型DeepSeeNet，利用双眼CFP数据自动按AREDS简化严重程度分级量表（0-5分）对患者进行分类。 参与者：模型训练使用AREDS研究中4549名受试者长期随访的58,402张图像，测试集包含900张图像。金标准标签由阅片中心分级确定。 方法：DeepSeeNet通过模拟人工分级流程——先检测每只眼的独立AMD风险因素（玻璃膜疣大小、色素异常），再依据AREDS简化分级量表计算患者综合AMD严重程度评分。 主要结局指标：总体准确率、特异度、敏感度、Cohen's kappa系数及曲线下面积（AUC）。并与视网膜专家的诊断表现进行对比。 结果：在基于患者的分类中，DeepSeeNet表现优于视网膜专家（准确率0.671 vs 0.599；kappa值0.558 vs 0.467），且在检测大玻璃膜疣（AUC 0.94）、色素异常（AUC 0.93）和晚期AMD（AUC 0.97）时均呈现高AUC值。具体而言，该模型在大玻璃膜疣检测（准确率0.742 vs 0.696；kappa 0.601 vs 0.517）和色素异常检测（准确率0.890 vs 0.813；kappa 0.723 vs 0.535）上优于专家，但在晚期AMD检测方面稍逊（准确率0.967 vs 0.973；kappa 0.663 vs 0.754）。 结论：通过模拟人工分级过程，DeepSeeNet在基于AREDS简化分级量表自动划分患者AMD风险类别时展现出高准确性与透明性。这些结果凸显了深度学习辅助AMD临床决策的潜力，包括早期AMD筛查及晚期AMD风险预测。该模型已公开于https://github.com/ncbi-nlp/DeepSeeNet。
关键词： 深度学习、年龄相关性黄斑变性、自动分类、AREDS简化严重程度分级、彩色眼底照片
更新于2025-09-23 15:22:29
-
基于深度学习的糖尿病视网膜病变筛查算法：诊断性能的系统评价。
摘要： 主题：基于深度学习算法在糖尿病患者糖尿病视网膜病变（DR）筛查中的诊断效能。这些算法与当前人类专家分类的金标准进行了对比。 临床意义：由于DR是视力损害常见原因，筛查对避免不可逆视力丧失至关重要。采用深度学习的自动化DR分级可能成为提升诊断效能并减少人力的新型筛查工具。 方法：本系统评价旨在纳入利用深度学习对糖尿病患者眼底图像进行全级别DR分类的研究。研究需提供DR分级量表、以人工判读者为参照标准及深度学习性能评分。2018年4月5日通过Medline和Embase数据库的系统检索获得304篇文献。为排查潜在遗漏文献，人工筛查最终纳入研究的参考文献列表，未新增文献。采用诊断准确性研究质量评估工具（QUADAS-2）进行偏倚风险与应用性评估。 结果：经客观筛选后纳入11项诊断准确性研究，其通过新患者组或回顾性数据集验证深度学习方法的性能。8项研究报告敏感度80.28%-100.0%、特异度84.0%-99.0%；2项报告准确率78.7%和81.0%；1项提供受试者工作特征曲线下面积（AUC）0.955。另有1项研究报道患者满意度显示78%患者更倾向选择自动化深度学习模型而非人工分级。 结论：实施基于深度学习的DR筛查算法优势包括减少人力成本、筛查费用及解决判读者间/内变异问题。但实施限制主要源于对计算机诊断准确性缺乏信任的伦理顾虑。综合优缺点及深度学习算法的高性能表现，自动化深度学习DR分级在实际筛查场景中具有可行性。
关键词： 诊断性能、糖尿病视网膜病变、自动分类、神经网络、深度学习、筛查
更新于2025-09-23 15:21:01
-
将直接法向辐照度的逐分钟地面实测数据按小时区间分类其时间变异性
摘要： 1分钟时间尺度内太阳表面辐照度的变化对太阳能应用尤为重要。研究针对小时内的1分钟分辨率直接法向辐照度（DNI）变化定义了八类变率等级，这些等级综合了高、中、低辐照度条件与每分钟之间小、中、大不同尺度的变化。通过专家审核法国卡尔庞特拉BSRN站一年观测数据，建立了包含333个独立小时地面1分钟DNI观测的参考数据库，每个变率等级包含16至63个样本。采用已发表或新提出的变率指数作为分类器实现类别成员的自动识别，该自动方案对全部类别成员的正确识别率达77%。这种变率分类方法能以统计化、自动化的形式比较不同项目场址，量化短期变率对太阳能发电的影响。
关键词： 变异性、地面观测、直接辐照度、全球水平辐照度、自动分类
更新于2025-09-23 15:21:01
-
一种用于移动激光雷达数据自动分类的多面CNN架构及用于增强训练的点云样本复现算法
摘要： 室外环境的移动激光扫描（MLS）数据通常具有遮挡、噪声、杂乱、数据量大和信息量高等特点，这使得其分类成为一项具有挑战性的问题。本文提出了三种三维深度卷积神经网络（CNN）架构，即单CNN（SCN）、多面CNN（MFC）及带复现功能的MFC（MFCR），用于MLS数据的自动分类。MFC利用MLS样本的多个面作为不同SCN的输入，从而在分类过程中提供额外信息。训练后的MFC可借助现有样本复现附加样本，这些复现样本被用于进一步优化MFC训练参数，从而形成名为MFCR的新方法。研究团队在包含四类三维室外MLS数据（树木、电线杆、房屋及低矮植被覆盖地面）及KITTI数据集中的汽车样本的数据集上评估了这三种架构。分类总体精度与卡帕系数分别达到：(i) SCN为86.0%和81.3%；(ii) MFC为94.3%和92.4%；(iii) MFCR为96.0%和94.6%。本文证实多面输入能显著提升SCN的分类精度，并开发出具有分类精度提升潜力的独特样本复现方法。与既往针对室内结构化点云的CNN应用研究不同，本工作展示了所提各类CNN架构对MLS采集的非结构化点云数据（包括树木、电线杆、房屋及地面等室外对象）的分类效用。
关键词： 样本复现、移动激光扫描（MLS）、自动分类、卷积神经网络（CNN）
更新于2025-09-22 20:37:23
-
利用支持向量机实现自动化细胞筛选以应用于光谱纳米细胞学
摘要： 部分波光谱技术（PWS）能够量化细胞结构在纳米尺度的统计特性，通过检测远离病变部位的易获取位点，该技术已被用于识别携带癌前肿瘤的患者。由于其高灵敏度，需要从涂片图像中筛选保存完好的细胞进行后续分析。迄今为止，此类细胞筛选工作均为人工操作。该方法耗时费力、易受主观偏差影响，且存在显著的观察者间及观察者内差异。本研究开发了一套分类方案，用于从原始涂片图像中识别并剔除无诊断价值的受损细胞或杂质。通过采集并拼接低倍率透射图像实现涂片样本的数字化，随后采用分割算法从这些图像中提取目标对象。通过人工分类标记对象的适用性构建训练集，同时量化每个对象的大量特征建立特征集?；谥С窒蛄炕⊿VM）分类器，利用该训练集和特征集训练筛选算法。结果表明，该筛选算法以95%的灵敏度实现了93%的错误率控制。
关键词： 自动分类、细胞选择、支持向量机（SVM）、PWS、颊拭子、部分波谱分析、纳米细胞学
更新于2025-09-04 15:30:14