利用人工智能与数字听诊识别孟加拉国呼吸系统疾病患儿的肺部异常呼吸音
研究聚焦利用人工智能与数字听诊,识别孟加拉国呼吸系统疾病患儿的肺部异常呼吸音。页面正文未能加载,现有信息仅限标题,无法确认研究设计、样本量及识别性能等结果。
研究聚焦利用人工智能与数字听诊,识别孟加拉国呼吸系统疾病患儿的肺部异常呼吸音。页面正文未能加载,现有信息仅限标题,无法确认研究设计、样本量及识别性能等结果。
一项横断面研究考察了临床医生对人工智能赋能临床信息平台的使用情况。研究内容包括不同临床医生类型和专科的使用分布,以及所提交查询的目的;所提供内容未披露具体使用数据或研究结果。
中国研究团队开发的AI系统通过面部和舌部照片识别冠心病,在104人的测试中准确率为98%,识别出全部40名患者,但将两名健康者误判为患病。研究共纳入518人,发表于Scientific Reports;模型尚未在其他医院或场景验证,不能据此确定其一般人群筛查效果。
一项回顾性多数据集基准评测显示,胸片深度学习分类器的源数据概率校准并非均可迁移,区分能力改善也不保证概率校准改善。
一项纳入10项研究的系统综述与荟萃分析显示,深度学习基于H&E染色病理图像预测胃癌微卫星不稳定性具有良好诊断准确性。合并敏感度为0.78(95% CI 0.63–0.88),特异度为0.85(95% CI 0.77–0.90)。临床效用仍需标准化多中心、独立外部验证及前瞻性研究确认。
MIMIC-IV队列研究显示,校正时间泄漏后,多模态融合未显著优于结构化EHR单独预测COPD患者30天全因再入院。研究纳入1,279例患者,EHR单独预测的ROC-AUC为0.63,其他模态单独预测为0.46-0.53。重新校准后,融合模型与EHR单独预测的Brier评分无显著差异。
研究团队开发了细胞学通用基础模型 CROWN,有望支持跨器官、疾病和临床场景的广泛诊断应用。细胞学用于癌症筛查与诊断,而目前多数人工智能系统仅辅助处理单项任务和特定标本类型。