youcans的博客

本文的主要贡献在于开发了一种基于参考图像的临床评分系统——P Score，用于早产儿视网膜病变（ROP）中血管变化的标准化分级。这一系统通过提供 9个参考图像，帮助临床医生更细致地描述和记录ROP相关的血管变化，从而减少不同检查者在评估附加病变（plus disease）时的变异性。P Score为ROP的诊断、治疗和研究提供了重要的工具和方法，有助于提高临床实践的标准化和一致性。

本文系统性回顾了当前用于早产儿视网膜病变（ROP）诊断的人工智能算法，总结了不同算法的诊断准确性，评估了不同数据集和模型的表现，探讨了血管严重程度评分（VSS）的相关性，提出了诊断ROC曲线下面积（AUROC）的评估。

本文系统性综述了深度学习人工智能算法在早产儿视网膜病变（ROP）检测中的应用。通过对2012年1月1日至2021年9月20日期间发表在Medline OVID、PubMed、Web of Science和Embase数据库中的相关文献进行检索和分析，本文旨在评估深度学习算法在ROP筛查和诊断中的表现，特别是通过灵敏度、特异度和受试者工作特征曲线下面积（AUROC）等指标来衡量其诊断性能。

论文 “ROP 自动分期的半监督深度学习模型的开发与验证”，本研究的贡献在于：1. 提出一种新的半监督分类模型，用于利用未标注数据进行 ROP 分期。2. 提出两种一致性损失函数，可以提高分类模型的泛化性能。3. 通过实验验证了该方法能够提升分类性能。

本研究展示了非成像机器学习模型在预测ROP发生方面的潜力，特别是在资源有限或无法使用眼底相机的环境中。通过使用表格数据（如孕周、出生体重等），研究提供了一种低成本、高效的ROP预测方法，具有较高的预测能力和稳定性。

本研究比较了土耳其眼科协会ROP指南中的患者教育材料与大型语言模型（LLMs）生成材料的可读性。评估了GPT-4.0、GPT-4o mini和Gemini生成患者教育材料的能力，重点关注其准确性和全面性。GPT-4.0在生成更具可读性、准确性和全面性的患者教育材料方面表现出更大的潜力。

本文的主要贡献在于开发和验证了定制化深度学习和无代码深度学习模型（CFDL），为ROP筛查提供了新的工具，并展示了无代码方法在资源有限环境中的潜力。

本研究旨在通过模拟临床筛查过程，开发一种可解释的AI系统，以确定ROP的严重程度。根据临床指南，整合分期、区域和“加号病变”的存在情况，推导出ROP的严重程度，通过病变类型提供分期信息，通过病变位置提供区域信息，并通过“加号病变”分类模型判断是否存在“plus”病变。

论文 “基于深度学习的 ROP 严重程度筛查的可解释系统”，旨在通过模拟临床筛查过程，开发一种可解释的AI系统，以确定ROP的严重程度。根据临床指南，整合分期、区域和“加号病变”的存在情况，推导出ROP的严重程度，通过病变类型提供分期信息，通过病变位置提供区域信息，并通过“加号病变”分类模型判断是否存在“加号病变”。

论文 “使用深度学习系统自动检测视网膜图像中的 9 种婴儿眼底疾病和病症(2024)”，开发了婴儿视网膜智能诊断系统（IRIDS），能够自动检测 9种眼底疾病：早产儿视网膜病变（ROP）（轻度ROP、中度ROP和重度ROP）、视网膜母细胞瘤（RB）、视网膜色素变性（RP）、Coats病、脉络膜缺损、先天性视网膜皱襞

影像数据的稀缺性，尤其是在罕见疾病、特定人群或新兴成像技术中的数据不足，是人工智能（AI）技术研究和发展的主要挑战。本文整理了 18 个用于分类任务的眼科影像开源 AI 数据集，介绍这些眼科影像数据集的基本信息和下载地址。

整理了 50 个眼科影像开源 AI 数据集，介绍这些眼科影像数据集的基本信息和下载地址。本文介绍用于分割任务的眼科影像数据集。

整理了 50 个眼科影像开源 AI 数据集，介绍这些眼科影像数据集的基本信息和下载地址。上两篇介绍了分类任务和分割任务数据集，本文介绍用于其它任务的数据集。

医学通用人工智能（GMAI）是指一类先进的基础模型，具备处理多种医疗任务的能力，而无需针对每个具体任务进行单独训练。GMAI 通过在大规模、多样化的数据集上进行自监督学习，能够理解和整合来自影像、电子健康记录（EHR）、组学、实验室结果等多种数据类型，生成详细的诊断报告、治疗建议甚至蛋白质设计方案。

一种新的生成式多模态跨器官医学影像基础模型 MINIM，借助文本指令与多种影像技术，它能够合成海量高质量的医学影像数据，大幅提升医学AI的训练效果。Self-improving generative foundation model for synthetic medical image generation and clinical applications 。

MINIM整合了多种成像技术（如MRI、CT、眼底影像等）及其对应的文本描述，构建了一个跨模态的生成框架。本文介绍本项目的研究方法，开源项目的安装和使用方法。

GPT-4V（ision）可以用于医疗应用吗？上海交通大学 Chaoyi Wu 等发布研究报告【GPT-4V用于多模态医学诊断的案例研究】。本研究旨在评估OpenAI最新模型GPT-4V(vision)的性能，特别是在多模态模式医学诊断领域。探索了 GPT-4V 在多种临床任务中的能力，包括成像模式和解剖识别、疾病诊断、报告生成、疾病定位。

一种用于眼科疾病筛查的置信度感知多模态学习框架 EyeMoS𝑡+。 EyeMoS𝑡+ 框架通过融合来自不同来源的信息来提高诊断的准确性，特别是针对糖尿病视网膜病变（DR）、糖尿病性黄斑水肿（DME）和年龄相关性黄斑变性（AMD）等眼科疾病。 通过融合不同模态的信息，并引入置信度感知机制，提高了眼科疾病筛查的准确性和鲁棒性。

2024年 Nature 子刊 scientific data 发表论文 “婴儿视网膜图像数据集和早产儿视网膜病变”，公开了一个婴儿智能视网膜病变（ROP）数据集，包括来自 188名新生儿的 6004 张视网膜图像。

HVDROPDB 是第一个公开发表的用于早产儿眼底图像视网膜结构分割的数据集。该数据集由ROP专家组 标注，并手动标注了手动标注了掩模图像（Ground Truth），以帮助研究人员开发可解释的自动筛查系统。开发了一个框架，用于自动检测和解释早产儿视网膜图像中的关键特征，包括 ROP的不同区域（zones）、病变程度（plus） 和 分期（stages）。

2024年5月，Nature 子刊 scientific data 发表论文 “FARFUM-RoP：早产儿视网膜病变数据集”，发布了一个新的公开数据集 FARFUM-RoP，包含来自 68 名患者 的 1,533 张 ROP 眼底图像。

论文 “早产儿视网膜病变的眼底图像数据集”，是一个早产儿智能视网膜病变（ROP）数据集，包括正常眼和病变眼的 1,099 张早产儿眼底图像。

Nature 子刊论文 “使用血管特征量化自动诊断早产儿视网膜病变中的附加病变。本研究展示了利用计算机图像分析和定量方法自动诊断附加病变的潜力。通过量化血管特征，可以提高诊断的准确性和效率，为早产儿视网膜病变的管理提供技术支持。

论文 “使用 MultiCNN_LSTM分类器对 ROP 的 1、2、3 期及 Pre-plus、Plus 疾病进行分类”。本研究提出一种 MultiCNN_LSTM 网络，使用多个卷积神经网络（CNN）提取特征，并结合长短期记忆（LSTM）分类器对图像进行分类。