深度学习
研究人员使用深度学习模型结合EMR数据和胸部X光图像，预测肺癌风险。该模型可识别高风险个体，为肺癌筛查提供补充。文章介绍了美国CMS指南的限制，以及肺癌筛查的参与度低的原因。最后，研究人员提出了自动化肺癌风险评估工具的验证。
研究人员开发了一种名为DeepMosaic的深度学习模型，可检测DNA序列中的马赛克突变，比人类医学遗传学家更快更准确。这一技术有望为疾病治疗提供新的突破，如癫痫等。
本文介绍了2022年医疗行业中人工智能和机器学习的十大故事，包括偏见消除、可靠性提高、深度学习、数据障碍等方面的内容。
一项研究发现，先前验证的高性能深度学习模型在美国多样化患者人群中的泛化能力不足，并且在某些亚组中表现下降。这对于乳腺癌筛查的诊断准确性和效率提高至关重要。
研究人员使用深度学习模型清理电子病历数据，提取信息并更准确地分析患者数据。这项研究旨在创建一个通用的模型，能够在各种医院中工作，并从有限的标记数据中学习。
研究人员开发了一种深度学习模型，使用单张胸部X光片预测动脉粥样硬化心血管疾病导致的心脏病或中风死亡的10年风险。这种方法可以帮助识别高风险人群，提高心血管疾病的筛查效率。
Emory大学和UH Cleveland的研究人员开发了一种基于深度学习的肝脏脂肪评估工具，该工具显示患有非酒精性脂肪肝病的患者患严重COVID-19的风险增加了1.5倍。这种名为DeHFt的工具可从标准计算机断层扫描（CT）扫描中提供肝脏脂肪的自动测量。
研究人员利用机器学习算法DeepTCR预测癌症免疫治疗的患者反应，该算法可识别T细胞受体的氨基酸序列数据，并预测治疗前患者的TCR库与治疗后的差异，为精准免疫治疗提供了新的生物标志物。
一项最新研究表明，一款基于深度学习的移动应用程序可以使用皮肤病变图像准确识别猴痘感染。这种工具有望帮助医生更快速地诊断和隔离感染者，从而控制猴痘的传播。
研究人员利用人工智能技术分析脑组织的结构和特征，探寻阿尔茨海默病的潜在病因。通过深度学习算法，研究人员发现低卢索尔快速蓝染色水平与认知障碍有关，这一发现有望成为脑损伤的有价值的测量单位，为阿尔茨海默病等相关疾病的诊断和治疗提供新思路。
