在这项研究中，将放射学方法扩展到用于组织分类的光学荧光分子成像数据，称为“验光”。荧光分子成像正在出现在头颈部鳞状细胞癌（HNSCC）切除期间的精确手术引导。然而，肿瘤到正常的组织对比与靶分子表皮生长因子受体（EGFR）的异质表达的内在生理局限性混淆。验光学试图通过探测荧光传达的EGFR表达中的质地模式差异来改善肿瘤识别。从荧光图像样品中提取了总共1,472个标准化的验光特征。涉及支持矢量机分类器的监督机器学习管道接受了25个顶级功能的培训，这些功能由最小冗余最大相关标准选择。通过将切除组织的图像贴片分类为组织学确认的恶性肿瘤状态，将模型预测性能与荧光强度阈值方法进行了比较。与荧光强度阈值方法相比，验光方法在所有测试集样品中提供了一致的预测准确性（无剂量）（平均精度为89％vs. 81％； P = 0.0072）。改进的性能表明，将放射线学方法扩展到荧光分子成像数据为荧光引导手术中的癌症检测提供了有希望的图像分析技术。
translated by 谷歌翻译
神经肌肉疾病，例如脊柱肌肉萎缩（SMA）和Duchenne肌肉营养不良症（DMD），导致6,000名儿童中有1例的渐进性肌肉变性和运动功能丧失。传统的上肢运动功能评估不能定量测量患者的性能，这使得很难跟踪进度的增量变化。评估神经肌肉疾病儿童的运动功能特别具有挑战性，因为他们在实验过程中可能会紧张或兴奋，或者简直太年轻而无法遵循精确的说明。这些挑战转化为混杂因素，例如执行臂卷曲的不同部分较慢或更快（相位变异性），从而影响评估的运动质量。本文使用曲线注册和形状分析来暂时对齐轨迹，同时提取平均参考形状。距这种平均形状的距离用于评估运动质量。所提出的指标是混杂因素（例如相位变异性）的不变性，同时提出了几种临床相关的见解。首先，控制和患者人群的功能分数在统计上存在显着差异（p $ = $ 0.0213 $ \ le $ 0.05）。接下来，患者队列中的几名患者能够与健康队列进行运动，反之亦然。我们的指标是根据可穿戴设备计算的，与Brooke的分数有关（（P $ = $ 0.00063 $ \ le $ $ 0.05））以及基于功能测定法的电动机功能评估（（P $ = $ = $ 0.0006 $ \ le $ 0.05）） 。这些结果表明了日常生活中无处不在的运动质量评估的希望。
translated by 谷歌翻译
减少的牵引力限制了移动机器人系统抵抗或施加大型外部负载的能力，例如拉紧有效载荷。一种简单且通用的解决方案是将束缚在天然发生的物体周围，以利用卡普斯坦效应并呈指数放大的固定力。实验表明，理想化的Capstan模型解释了对常见不规则室外物体（树木，岩石，柱子）经历的力放大。适用于可变环境条件，这种指数放大方法可以串联或与机器人团队并行利用单个或多个capstan对象。这种适应性允许一系列潜在配置，对于当对象无法完全包围或抓住时，特别有用。这些原则已通过移动平台证明（1）控制有效载荷的降低和逮捕，（2）以实现有效载荷的平面控制，以及（3）充当更大范围平台的锚点。我们显示了一个简单的系绳，包裹在沙子上的浅石头上，放大了低牵引力平台的持有力量，最多可达774倍。
translated by 谷歌翻译
通过一系列联邦举措和命令，美国政府一直在努力确保美国在AI中的领导。这些广泛的战略文件影响了美国空军美国部（DAF）等组织。DAF-MIT AI加速器是DAF和MIT之间的一项计划，以弥合AI研究人员与DAF任务要求之间的差距。DAF-MIT AI加速器支持的几个项目正在开发公共挑战问题，这些问题解决了许多联邦AI研究的重点。这些挑战是通过公开可用的大型AI-Ready数据集，激励开源解决方案，并为可以激发进一步研究的双重使用技术创建需求信号，来针对优先事项。在本文中，我们描述了正在开发的这些公共挑战以及它们的应用如何促进科学进步。
translated by 谷歌翻译
2型糖尿病（T2DM）中持续的高水平血糖可能会带来灾难性的长期健康后果。 T2DM临床干预措施的重要组成部分是监测饮食摄入，以使血浆葡萄糖水平保持在可接受的范围内。然而，当前监测食物摄入的技术是时间密集的，容易出错。为了解决这个问题，我们正在开发使用连续葡萄糖监测器（CGM）自动监测食物摄入量和这些食物组成的技术。本文介绍了一项临床研究的结果，其中参与者佩戴CGM时，参与者消耗了9份标准营养素的标准餐（碳水化合物，蛋白质和脂肪）。我们构建了一个多任务神经网络，以估计CGM信号的大量营养素组成，并将其与基线线性回归进行了比较。最好的预测结果来自我们提出的神经网络，该神经网络受试者依赖性数据训练，如均方根相对误差和相关系数所衡量。这些发现表明，可以从CGM信号中估算大量营养素组成，从而开发了开发自动技术以跟踪食物摄入量的可能性。
translated by 谷歌翻译
心肌活力的评估对于患有心肌梗塞的患者的诊断和治疗管理是必不可少的，并且心肌病理学的分类是本评估的关键。这项工作定义了医学图像分析的新任务，即进行心肌病理分割（MYOPS）结合三个序列的心脏磁共振（CMR）图像，该图像首次与Mycai 2020一起在Myops挑战中提出的。挑战提供了45个配对和预对准的CMR图像，允许算法将互补信息与三个CMR序列组合到病理分割。在本文中，我们提供了挑战的详细信息，从十五个参与者的作品调查，并根据五个方面解释他们的方法，即预处理，数据增强，学习策略，模型架构和后处理。此外，我们对不同因素的结果分析了结果，以检查关键障碍和探索解决方案的潜力，以及为未来的研究提供基准。我们得出结论，虽然报告了有前途的结果，但研究仍处于早期阶段，在成功应用于诊所之前需要更深入的探索。请注意，MyOPS数据和评估工具继续通过其主页（www.sdspeople.fudan.edu.cn/zhuangxiahai/0/myops20 /）注册注册。
translated by 谷歌翻译
Covid-19大流行是人类的祸害，宣称全世界超过500万人的生活。虽然疫苗正在全世界分布，但表观需要实惠的筛选技术，以便为无法获得传统医学的世界服务。人工智能可以提供利用咳嗽声音作为主要筛选模式的解决方案。本文介绍了多种模型，这些模型在学术文献目前呈现的最大评估数据集上取得了相对尊敬的性能。此外，我们还显示性能随着培训数据规模而增加，表明世界各地的数据收集，以帮助使用非传统方式对抗Covid-19大流行。
translated by 谷歌翻译
深度学习（DL）模型为各种医学成像基准挑战提供了最先进的性能，包括脑肿瘤细分（BRATS）挑战。然而，局灶性病理多隔室分割（例如，肿瘤和病变子区）的任务特别具有挑战性，并且潜在的错误阻碍DL模型转化为临床工作流程。量化不确定形式的DL模型预测的可靠性，可以实现最不确定的地区的临床审查，从而建立信任并铺平临床翻译。最近，已经引入了许多不确定性估计方法，用于DL医学图像分割任务。开发指标评估和比较不确定性措施的表现将有助于最终用户制定更明智的决策。在本研究中，我们探索并评估在Brats 2019-2020任务期间开发的公制，以对不确定量化量化（Qu-Brats），并旨在评估和排列脑肿瘤多隔室分割的不确定性估计。该公制（1）奖励不确定性估计，对正确断言产生高置信度，以及在不正确的断言处分配低置信水平的估计数，（2）惩罚导致更高百分比的无关正确断言百分比的不确定性措施。我们进一步基准测试由14个独立参与的Qu-Brats 2020的分割不确定性，所有这些都参与了主要的Brats细分任务。总体而言，我们的研究结果证实了不确定性估计提供了分割算法的重要性和互补价值，因此突出了医学图像分析中不确定性量化的需求。我们的评估代码在HTTPS://github.com/ragmeh11/qu-brats公开提供。
translated by 谷歌翻译
人工智能（AI）系统在许多领域越来越受欢迎。尽管如此，AI技术仍在开发阶段，并且需要解决许多问题。其中，需要对AI系统进行展示的可靠性，以便AI系统可以充满信心地由公众信任使用。在本文中，我们提供了AI系统可靠性的统计视角。与其他因素不同，AI系统的可靠性专注于时间尺寸。也就是说，系统可以针对预期时段执行其设计的功能。我们为AI可靠性研究引入了所谓的智能统计框架，包括五个组件：系统结构，可靠性度量，故障原因分析，可靠性评估和测试规划。我们审查了可靠性数据分析和软件可靠性的传统方法，并讨论如何为可靠性建模和AI系统进行评估来转换现有方法。我们还描述了最近的建模和分析AI可靠性和概述统计研究挑战的发展，包括分销检测，训练集，对抗攻击，模型准确性和不确定性量化的影响，以及讨论这些主题可以与AI可靠性有关，具有说明性示例。最后，我们讨论了AI可靠性评估的数据收集和测试计划以及如何提高系统设计，以获得更高的AI可靠性。本文结束了一些结论备注。
translated by 谷歌翻译
背景：虽然卷积神经网络（CNN）实现了检测基于磁共振成像（MRI）扫描的阿尔茨海默病（AD）痴呆的高诊断准确性，但它们尚未应用于临床常规。这是一个重要原因是缺乏模型可理解性。最近开发的用于导出CNN相关性图的可视化方法可能有助于填补这种差距。我们调查了具有更高准确性的模型还依赖于先前知识预定义的判别脑区域。方法：我们培训了CNN，用于检测痴呆症和Amnestic认知障碍（MCI）患者的N = 663 T1加权MRI扫描的AD，并通过交叉验证和三个独立样本验证模型的准确性= 1655例。我们评估了相关评分和海马体积的关联，以验证这种方法的临床效用。为了提高模型可理解性，我们实现了3D CNN相关性图的交互式可视化。结果：跨三个独立数据集，组分离表现出广告痴呆症与控制的高精度（AUC $ \ GEQUQ $ 0.92）和MCI与控制的中等精度（AUC $ \约0.75美元）。相关性图表明海马萎缩被认为是广告检测的最具信息性因素，其其他皮质和皮质区域中的萎缩额外贡献。海马内的相关评分与海马体积高度相关（Pearson的r $ \大约$ -0.86，p <0.001）。结论：相关性地图突出了我们假设先验的地区的萎缩。这加强了CNN模型的可理解性，这些模型基于扫描和诊断标签以纯粹的数据驱动方式培训。
translated by 谷歌翻译