人工智能在鼻科学图像中的应用
Application of image-based artificial intelligence in rhinology
查看参考文献68篇
|
文摘
|
在大数据时代,随着新兴科技的发展与创新,人工智能(artificial intelligence,AI)在医疗领域已被广泛应用,尤其在疾病的筛查及诊治方面展现出良好的实用性和持续的发展趋势。医学图像提供了对人体结构和功能的详细可视化信息,人工智能技术能高效地对这些图像进行预处理和分析,这不仅极大地提高了诊断的准确性和速度,还推动了众多重大的医学研究和创新。本文回顾了近5年AI在变应性鼻炎、慢性鼻窦炎及鼻腔鼻窦肿瘤领域的最新应用,旨在总结人工智能技术在过敏原检测、疾病诊断和预后预测等方面的最新进展,并探讨其在鼻科学图像应用中的局限性及未来展望。 |
|
来源
|
中华耳鼻咽喉头颈外科杂志
,2024,59(3):277-283 【核心库】
|
|
DOI
|
10.3760/cma.j.cn115330-20231025-00169
|
|
关键词
|
人工智能
;
鼻科学
;
图像
|
|
地址
|
1.
中山大学附属第三医院耳鼻咽喉头颈外科, 广州, 510630
2.
中山大学附属第三医院变态反应(过敏)科, 广州, 510630
3.
中山大学附属第三医院大数据人工智能中心, 广州, 510630
|
|
语种
|
中文 |
|
文献类型
|
研究性论文 |
|
ISSN
|
1673-0860 |
|
学科
|
耳鼻咽喉科学;自动化技术、计算机技术 |
|
基金
|
科技部重点研发计划子课题
;
国家自然科学基金项目
;
广东省重点领域研发计划
;
广东省自然科学基金面上项目
;
中山大学临床研究5010计划项目
;
中山大学附属第三医院“五个五”项目
;
宁夏回族自治区重点研发计划
|
|
文献收藏号
|
CSCD:7696095
|
参考文献 共
68
共4页
|
|
1.
Gore J C. Artificial intelligence in medical imaging.
Magn Reson Imaging,2020,68:A1-A4
|
CSCD被引
14
次
|
|
|
|
|
2.
Lecun Y. Deep learning.
Nature,2015,521(7553):436-444
|
CSCD被引
3550
次
|
|
|
|
|
3.
Huang D. The application and development of deep learning in radiotherapy: A systematic review.
Technol Cancer Res Treat,2021,20
|
CSCD被引
2
次
|
|
|
|
|
4.
Lipton Z C.
Learning to diagnose with LSTM recurrent neural networks,2015
|
CSCD被引
3
次
|
|
|
|
|
5.
Liu L. A survey on U-shaped networks in medical image segmentations.
Neurocomputing,2020,409:244-258
|
CSCD被引
15
次
|
|
|
|
|
6.
Sharma H. Deep convolutional neural networks for automatic classification of gastric carcinoma using whole slide images in digital histopathology.
Comput Med Imaging Graph,2017,61:2-13
|
CSCD被引
17
次
|
|
|
|
|
7.
林喆. 人工智能在眼底病中的应用(英文).
眼科学报,2022,37(3):200-207
|
CSCD被引
1
次
|
|
|
|
|
8.
董浩. 基于深度学习人工智能辅助CT检测肋骨骨折的价值.
浙江临床医学,2022,24(6):914-915,919
|
CSCD被引
1
次
|
|
|
|
|
9.
Schirrmeister R T. Deep learning with convolutional neural networks for EEG decoding and visualization.
Hum Brain Mapp,2017,38(11):5391-5420
|
CSCD被引
72
次
|
|
|
|
|
10.
Esteva A. Dermatologist-level classification of skin cancer with deep neural networks.
Nature,2017,542(7639):115-118
|
CSCD被引
330
次
|
|
|
|
|
11.
王学艳. 从全球变应性鼻炎流行趋势看加强变应性鼻炎防治的中国行动.
中华耳鼻咽喉头颈外科杂志,2022,57(4):373-378
|
CSCD被引
10
次
|
|
|
|
|
12.
Brozek J L. Allergic Rhinitis and its Impact on Asthma (ARIA) guidelines-2016 revision.
J Allergy Clin Immunol,2017,140(4):950-958
|
CSCD被引
136
次
|
|
|
|
|
13.
Zhang Y. Increasing prevalence of allergic rhinitis in China.
Allergy Asthma Immunol Res,2019,11(2):156-169
|
CSCD被引
45
次
|
|
|
|
|
14.
Marcos J V. Automated pollen identification using microscopic imaging and texture analysis.
Micron,2015,68:36-46
|
CSCD被引
5
次
|
|
|
|
|
15.
Kubera E. Deep learning methods for improving pollen monitoring.
Sensors (Basel),2021,21(10):3526
|
CSCD被引
1
次
|
|
|
|
|
16.
Schaefer J. Towards automatic airborne pollen monitoring: From commercial devices to operational by mitigating class-imbalance in a deep learning approach.
Sci Total Environ,2021,796:148932
|
CSCD被引
2
次
|
|
|
|
|
17.
Sevillano V. Improving classification of pollen grain images of the POLEN23E dataset through three different applications of deep learning convolutional neural networks.
PLoS One,2018,13(9):e0201807
|
CSCD被引
5
次
|
|
|
|
|
18.
Astolfi G. POLLEN73S: An image dataset for pollen grains classification.
Ecological Informatics,2020,60:101165
|
CSCD被引
1
次
|
|
|
|
|
19.
Dunker S. Pollen analysis using multispectral imaging flow cytometry and deep learning.
New Phytol,2021,229(1):593-606
|
CSCD被引
3
次
|
|
|
|
|
20.
Oppenheimer J. Skin testing: A survey of allergists.
Ann Allergy Asthma Immunol,2006,96(1):19-23
|
CSCD被引
7
次
|
|
|
|
|
了解气象卫星更多信息，请访问