卷积神经网络

搜索
登录

卷积神经网络

文章数：4篇

两岸团队携手突破：人工智能辅助评估结肠镜检查前的肠道准备

充分的肠道准备是结肠镜检查成功的关键。南方医科大学深圳医院的龚伟、夏瑰丽与厦门大学附属中山医院的许鸿志作为通讯作者，厦门长庚医院吕元博作为第一作者，携手台湾省长庚纪念医院团队，在American Journal of Gastroenterology上发表的一项随机单盲对照试验结果，开发了一种新型人工智能卷积神经网络（AI-CNN）模型，相比于例行评估，AI-CNN模型对肠道准备质量的评估结果类似。

肠道准备研究论文医学研究随机对照试验卷积神经网络

赖氨酸乳酸化

iMeta：国内团队开发蛋白质赖氨酸乳酸化位点预测工具DeepKla

该研究提出第一个用于识别蛋白质赖氨酸乳酸化位点的计算工具DeepKla，实验结果证明DeepKla具有出色的预测能力和鲁棒性。作者搭基于所提出的模型建立了一个名为DeepKla的在线服务。

赖氨酸乳酸化卷积神经网络计算框架鲁棒性注意力机制层

朱怀球团队：DeePhage——区分宏病毒组中的毒性和温和噬菌体衍生序列的工具

北大朱怀球团队在本研究中提出了一种新的计算方法 DeePhage，它可以直接快速地将每个读长或重叠群判断为有毒或温和的噬菌体衍生片段，特别是用于宏基因组学分析，通过直接检测来自宏基因组和宏病毒组的温和病毒片段，该研究进一步提出了一种新策略来探索菌群中的噬菌体转化。检测这种转变的能力为人们提供了对人类疾病潜在治疗方法的新见解。DeePhage 可通过 http://cqb.pku.edu.cn/ZhuLab/DeePhage 或https://github.com/shufangwu/DeePhage 免费获得。

DeePhage 深度学习方法宏病毒组噬菌体衍生序列卷积神经网络

人工智能辅助结直肠息肉光学诊断

窄带成像（NBI）可用于判断结直肠息肉是腺瘤还是增生。最新发表在Gastroenterology的研究旨在探索人工智能（AI）系统是否可以提高不同技术水平内窥镜医师对息肉特征判断的准确性。该研究开发了卷积神经网络（CNNs），用于评估小型结直肠息肉。使用来自1379位患者的1100个腺瘤性息肉和1050个增生性息肉图像来训练CNN，接着对该系统进行测试，并比较不同技术水平的内窥镜医师（新手、专家、经NBI培训的专家）与CNN对180例腺瘤和120例增生性息肉图像评估的准确性。随后，内窥镜医师根据CNN处理结果评估息肉图像。该研究发现CNN系统对腺瘤性和增生性小息肉的辨别准确率高于内窥镜医师总体辨别准确率。内窥镜医师在CNN评价的基础上进行辨别，整体准确率显著提高，尤其是新手内窥镜医师，在没有经过额外训练的情况下，其辨别准确率可接近专家水平。此外，CNN处理结果显著减少内镜师诊断时间，由3.92秒/息肉降至3.37秒/息肉。该CNN辅助系统可以降低内窥镜医师的技术水平依赖性和成本。

结直肠癌 Deep learning colorectal cancer cancer screening diagnostic