Nat Med：全新深度学习算法可基于三维医学影像诊断神经系统和视网膜疾病
2018-08-14 Nature自然科研 Nature自然科研
《自然-医学》本周在线发表的两项独立研究Automated deep-neural-network surveillance of cranial images for acute neurologic events和Clinically applicable deep learning for diagnosis and referral in retinal disease显示，最新的深度学习
《自然-医学》本周在线发表的两项独立研究Automated deep-neural-network surveillance of cranial images for acute neurologic events和Clinically applicable deep learning for diagnosis and referral in retinal disease显示，最新的深度学习算法可以基于三维医学影像对神经系统疾病和视网膜疾病给出快速、准确的自动诊断。
深度学习方法能识别二维医学影像，实现疾病诊断；但其对复杂详细的三维影像的识别效果尚不明朗。容积成像技术已经协助从业医师完成了不少医疗诊断，将深度学习算法成功应用于三维影像识别和疾病诊断，有望进一步缩小这项技术与人类专家的差距。
影像识别速度和卷积神经网络队列分类
美国伊坎医学院的Eric Oermann和同事使用全新卷积神经网络方法分析了37200多张头部CT扫描，不但对中风或出血等急性神经系统发作实现了正确诊断，还通过模拟临床应用证实该系统能缩短诊断时间。
深度学习架构。a.原始的视网膜OCT扫描；b.深度分割网络；
c.组织影像分割地图；d.深度分类网络；e.预测的诊断概率和建议
在另一项研究中，英国DeepMind的Olaf Ronneberger和同事开发了一款深度学习架构，用于分析视网膜光学相干断层（OCT）扫描并诊断视网膜疾病，准确率高达95%。这些系统可以分别进行三维影像分割和疾病诊断，对不同成像设备输出的复杂医学扫描都能作出准确判断。
影像分割网络
原始出处：
Jeffrey De Fauw, Joseph R. Ledsam, Bernardino Romera-Paredes, et al. Clinically applicable deep learning for diagnosis and referral in retinal disease. Nature Medicine. Aug 2018.
Joseph J. Titano, Marcus Badgeley, Javin Schefflein, et al. Automated deep-neural-network surveillance of cranial images for acute neurologic events. Nature Medicine. Aug 2018.
小提示：本篇资讯需要登录阅读，点击跳转登录
版权声明：
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#Nat#
34
#视网膜疾病#
35
#视网膜#
27
#神经系统#
28
#影像诊断#
31
#Med#
24
学习了谢谢
54
谢谢分享学习
78