- 综合排序
- 最热优先
- 最新优先
- 来自专栏深度学习|机器学习|歌声合成|语音合成
R-4- 医学预测分析
文章目录 分类 切入点 医学研究思路 研究适合的研究数据 模型选择 选择适合的预测分子 分类 分类模型 预后模型 切入点 寻找预后或诊断因子的研究 Predictors of xx | xx 无外部验证的预测模型建立研究 随机拆分验证 交叉验证 重抽样 内部-外部验证 有外部验证的预测模型建立研究 时段验证：时间分割 空间验证： 时空验证 领域验证 预测模型的验证模型 预测模型的影响研究 医学研究思路 建议将图片保存下来直接上传(img-idNsHcio-1593528242176)(https://i.loli.net/2020/06/29/qYM5bJIHcl128So.png)] 研究适合的研究数据
64610发布于 2021-01-14 - 来自专栏3D视觉从入门到精通
汇总|医学图像数据集
®是一个免费的开放式在线访问数据库，其中包含医学图像，教学案例和临床主题，集成了图像和文本元数据，包括12,000多个患者案例，9,000个主题和近59,000个图像。 我们的主要目标受众包括医师和护士，专职医疗人员，医学生，护理生以及其他对医学知识感兴趣的人。内容材料按疾病位置（器官系统）组织；病理类别患者资料；以及通过图像分类和图像标题。 八、先天性心脏病（CHD）图集 数据下载链接： https://data.gov.uk/dataset/f13fbd0e-fc8a-4d42-82ef-d40f930e4b70/congenital-heart-disease-chd 十一、森尼布鲁克心脏数据 数据下载链接：http://www.cardiacatlas.org/studies/ 数据介绍：Sunnybrook心脏数据（SCD）也称为2009心脏MR左心室分割挑战数据 INbreast共有115例（410幅图像），其中90例来自双乳女性（每例4幅图像），而25例来自乳房切除术患者（每例2幅图像）。包括几种类型的病变（肿块，钙化，不对称和变形）。
5.4K30发布于 2020-12-11 - 来自专栏资讯分享
GPT-4在医学中的超强潜力
GPT-4:综合患者的症状、体检结果及实验室数据，我初步推断她可能患有急性腹部疾病，例如阑尾炎，或其他腹腔感染、炎症。高热、白细胞计数升高和乳酸水平升高均提示有炎症或感染。 然而，GPT-4的出现让我们看到了一线生机，因为它具备整合多种来源和格式数据的能力，能够从中发现规律和见解，并辅助填写表格。 此外，在保险公司方面，我们将展示GPT-4如何协助处理这些申请，从而有可能简化整个审批流程。GPT-4甚至能够在多种医疗数据标准之间进行互译，为实现互操作性医疗信息交换的愿景创造了一种新技术。 它能够帮助用户解读和管理自己的健康数据，如医疗账单、实验室检测结果、健康追踪器和健康应用程序。通过解释、对比、个性化和优化数据，GPT-4还可以为用户提供反馈、建议和心理支持。 GPT-4的“通用翻译”功能可能对更广泛地传播医学知识和医学教育非常有用，这对医学生、护士和普通民众都具有很大的参考价值。
66140编辑于 2023-07-31 - 来自专栏about云
浅谈医学大数据（上）
其二人是目前研究医疗大数据及生物样本大数据真正的专家。现将两位的文章进行公开发表，与大家一起探讨。 没有数据保证，大数据分析就毫无意义。 复杂性：复杂性体现在数据的管理和操作上。IT时代，随着数据来源及数据量的爆发，各种不同渠道数据的大量涌现，数据的管理和操作已经变得原来越复杂。 IT时代涌现的还有各种网络社交媒体数据，比如曾经Google用来预测流感的数据。基因数据也是非常庞大的存在，一次全面的基因测序，产生的个人数据则达到 300GB (Leah, 2014)。 医疗大数据的利用可以从以下几方面减少浪费和提高效率 (Manyika, 以及其他人, 2011)： 临床操作：相对更有效的医学研究，发展出临床相关性更强和成本效益更高的方法用来诊断和治疗病人。 此外，医疗大数据的分析还有利于以下几方面的发展 (W.Raghupathi & Raghupathi, 2014)： 循证医学：结合和分析各种结构化和非结构化数据，电子病历，财务和运营数据，临床资料和基因组数据用以寻找与病症信息相匹配的治疗
93870发布于 2018-03-27 - 来自专栏最新医学影像技术
医学影像公开数据集
医学影像数据是非常珍贵的资源，收集和标注要耗费很大的人力和财力。今天这篇文章我将分享目前为止做过的医学影像诊断的一些公开数据集。 1、数字视网膜图像的血管提取（DRIVE）数据库 DRIVE数据库用于研究视网膜图像中的血管分割，由40组图像组成。 下载地址：http://www.isi.uu.nl/Research/Databases/DRIVE/download.php 2、肺图像数据库联盟（LIDC） 肺图像数据库联盟（LIDC）是支持一个机构联盟制定螺旋 CT肺部影像资源的共识指南，并建立螺旋CT肺部影像数据库。 4、动脉粥样硬化斑块分割(APS) 颈动脉硬化是脑血管病变的主要危险因素，不稳定的颈动脉硬化斑块破裂脱落是脑梗死发生的重要机制。
3.3K40发布于 2020-06-29 - 来自专栏大数据文摘
大数据能修复医学吗？
经过几十年的技术落后，医学已经进入数据时代。移动通信技术、传感器、基因组测序以及分析软件的进步，现在有可能捕捉到关于我们的个体组成和周围环境的大量信息。 此信息的总和有可能改变医学，从旨在治疗一般患者转向治疗单独的患者，这样就能将控制权和责任更多地从医生转向患者。 问题是大数据真的能让医疗变得更好吗? “已经收集到大量数据。 但是还不够”，加州大学旧金山医学院信息事务股临时主任艾德.马丁说。“这的确关键在于开发出让数据在未来发挥作用的一系列应用。” “我们愿意相信，我们所做的大部分关于医学的事情都是基于事实。”岩生公司（Rock Health）董事总经理马来甘地说（岩生集团为医疗开发组融资）“有些是，但大部分不是。” 他表示，机会在于医学可能越来越依赖分析和证据。 数据也改变着患者的角色，为他们提供机会在自己的医疗方面扮演更核心的部分。其中一种方法是利用移动技术来监测睡眠状况、心脏速率、活动水平及其他。
90750发布于 2018-05-23 - 来自专栏3D视觉从入门到精通
医学图像开源数据集汇总
编辑丨极市平台 3D-IRCADB 脏器分割数据集 数据集链接：http://m6z.cn/6x5OSn 3D-IRCADb-01 数据库由 10 名女性和 10 名男性 75% 的肝肿瘤患者的 3D FASCICLE 小腿肌肉超声数据集 数据集链接：http://m6z.cn/631rex FAscicle 小腿肌肉超声数据集是一个由 812 幅小腿肌肉超声图像组成的数据集，用于分析肌肉弱点并预防受伤 肿瘤数据集 数据集链接：http://m6z.cn/5zCyGj 这一数据集是通过仔细注释几名患有不同器官肿瘤并在多家医院被诊断出的患者的组织图像获得的。 结直肠腺癌组织学图像数据集 数据集链接：http://m6z.cn/6axBLk 该数据集包含 100 张 H&E 染色的结直肠腺癌组织学图像。 淋巴结切片的组织病理学数据集 数据集链接：http://m6z.cn/6axBNq 本数据集由从淋巴结切片的组织病理学扫描中提取的 327.680 张彩色图像 (96 x 96px) 组成。
2.1K10编辑于 2022-06-28 - 来自专栏最新医学影像技术
医学图像处理教程（一）——医学算法数据的基本概念
从今天起我将开始分享医学图像处理基础算法课程，从最基本的函数开始，分享函数的原理，函数API参数讲解，每篇都会给出一个示例。 以上只是我初步列举的函数，这些函数都将是支持三维数据处理的。在这里我也向大家征集还需要添加哪些算法函数，可以直接在公众号留言或邮件发给我，我会斟酌考虑后，在后面的内容讲解中分享出来。 1、如何安装Python版本的SimpleITK包 为了快速上手算法开发，采用Python版本的SimpleITK开发包来完成医学图像处理算法开发。 除了这些跟图像相关的信息外，Dicom图像还有很多元数据(MetaData)，这些都是通过（关键字，数值）对（key，value）来存储表示的，不过在这里呢，我们暂时不需要太关心这些内容，这些元数据跟图像处理算法没有太大的相关性
2.9K51发布于 2020-06-29 - 来自专栏最新医学影像技术
医学影像公开数据集（七）
在前面的文章中曾分享过一些公开数据集，今天我将继续分享2024年度医疗公开数据集给大家。 1、BvEM2024数据集 BvEM2024是小鼠、猕猴和人类皮质上对 3D 血管实例分割。 将数据分为包含 8,000个样本的训练集和包含2,000个样本的测试集。该数据集的集体平均年龄为60.3 ± 16.5 岁。 下载链接： https://drive.google.com/drive/u/0/folders/1tyhEhYHR88gFkVzLkJI4gE1BoOHoHdWZ 4、DREAMING2024数据集 下载链接： https://seafile.lirmm.fr/d/123f71e12bf24db59d84/4 6、KPIs2024数据集 肾脏病理图像分割 (KPI) 挑战涵盖广泛的肾脏疾病模型，包括源自临床前啮齿动物模型的正常和多种特定 SetA是与ToothFairy2023相重叠的数据一共包含417例，SetB是新的数据一共包含63例，数据格式是mha的格式，分割类别一共有48个类别。
2K11编辑于 2024-06-05 - 来自专栏最新医学影像技术
医学影像公开数据集（三）
在前面的两篇文章中已经分享过一些公开数据集，今天我将继续分享kaggle上可下载的医学影像公开数据集给大家。 2、肺血管分割数据集 访问链接是： https://www.kaggle.com/andrewmvd/lung-vessel-segmentation 一共提供了23例带肺部区域标注的数据，训练数据有 20例，测试数据有3例。 4、X光片肺分割 访问链接是： https://www.kaggle.com/nikhilpandey360/chest-xray-masks-and-labels 训练数据一共有704例（带标注）， 之前的两篇文章的公开数据下载可访问这两篇医学影像公开数据集，医学影像公开数据集（续）。
2.9K20编辑于 2022-08-20 - 来自专栏作图丫
癌症医学图像数据库TCIA
数据库介绍 癌症图像档案 （The Cancer Imaging Archive，TCIA）是一项可以de-identify和托管可供公众下载的大量癌症医学图像的服务。 2015年10月，Prior博士和TCIA核心团队从华盛顿大学梅林克勒德学院放射科研究所迁至阿肯色大学医学院（UAMS）生物医学信息系。 数据浏览Browse Data Collections 使用表上的筛选框，使用关键字快速查找感兴趣的集合。还可以单击列标题来更改排序方法。 4. dcm文件是一种数位成像，广泛运用于医学领域，但并不是仅仅局限于医学。本身dcm只是一种特殊的图像文件，它可以用来存储各种图像信息，这种特殊的图像文件也只能用专用的软件才能打开。 NCTN明确要求在https://nctn-data-archive.nci.nih.gov/view-trials中共享患者级临床数据，而TCIA作为该档案的图像存储库。 4.
9.5K32编辑于 2022-03-28 - 来自专栏决策智能与机器学习
算法集锦（4）|医学图像的细分算法|U-Net应用
今天，我们介绍医学图像的细分算法，详见文献“U-Net：Convolutional Networks for Biomedical Image Segmentation”。 神经网络结构 ? 数据采用Kaggle挑战赛中的Ultrasound Nerve Segmentation。为了更快的验证模型，我们采用的算法与原文有以下三个方面的差异。
64620发布于 2020-08-04 - 来自专栏全栈程序员必看
医学图形图像处理(医学影像和医学图像处理)
文章目录 1 图像和数字图像 2 图像分类 2.1 简单分类 2.2 传感器分类 2.3 维度分类 3 图像处理流程 4 医学图像 1 图像和数字图像 数字图像： 被定义为一个二维函数，f(x,y)， 图像数据： 生活中是二维的，医学上通常还有3维和4维的。比如在关注心脏跳动的时候，不仅关注其三维结构，还要关注时间轴变化。 三维图像：一个像素描述成一个体素。 医学图像中常用的是dicom 2 图像分类 2.1 简单分类 （1）二值图像：包含两个值，通常为0、255 （2）灰度图像： 0-255灰阶，更能表现自然界图像形态。 4 医学图像 （1）CT图像： 骨结构、组织结构（不太清晰） （2）MRI（核磁共振）图像： 清晰看到除了骨结构之外的一些软组织，更能描述人体软组织结构。 （3）X-ray图像：很好描述肺结构 （4）超声图像： 超声图像很难看懂，因为图像视野狭窄，图像精度也不好，但是绿色对人体无害。
1.7K10编辑于 2022-07-31 医学图像白血病检测数据集VOC+YOLO格式835张4类别
图像分辨率都是224x224，有点模糊 数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量 (jpg文件个数)：835 标注数量(xml文件个数)：835 标注数量(txt文件个数)：835 标注类别数：4 标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt leukemia_pre 框数 = 2238 leukemia_pro 框数 = 2103 总框数：7141 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证 ，数据集只提供准确且合理标注 图片预览： 标注例子：
16000编辑于 2025-07-17- 来自专栏PPV课数据科学社区
人工智能与医学(1)：基于大数据的智能医学知识学习
3月10日、12日、13日、15日将分别举行剩下4场比赛。Google DeepMind首席执行官、联合创始人Demis Hassabis称：“围棋是深刻而复杂的游戏。 深度学习系统能够从大量的非结构数据中获取复杂信息。第二种算法是增强学习，这种决策系统的灵感源自动物大脑中的神经递质多巴胺奖励系统。 人工智能的快速发展必然对未来的医学产生深远影响。例如，前面提到的基于大数据之上的深度学习和增强学习等技术完全可以用于更广泛的医学领域，发展成为人工智能医学专家。那人工智能到底是什么技术呢? 未来的医学人工智能，除了更大规模地存储、识别、积累来自更广泛的医学知识(医学大数据)外，还能够主动地学习临床诊疗方法。 即使这样，要实现上述的目标，现在看来还要走相当的路，但技术上必然要应用到医学大数据技术和更多的、更具创新性的数据挖掘技术、人工智能等技术。我们可以期待，新一代的人工智能医学专家迟早会到来的。
1.7K70发布于 2018-04-20 医学知识图谱构建实战：从文献表格到Neo4j数据库
问题背景在上一篇文章中，我们成功从医学PDF中提取了结构化的表格数据。 而图数据库天生为关系设计，是构建医学知识图谱的理想选择。 本文将手把手教你使用Neo4j构建医学知识图谱，实现从表格数据到图数据库的完整pipeline。 Neo4j 5.x原生图存储、Cypher语言、可视化强Python连接py2neo 2021.x更Pythonic，比neo4j-driver更易用实体识别spaCy + 自定义词典医学术语准确率高数据处理 关键词：Neo4j 知识图谱 医学知识库 Cypher 图数据库 实体关系 Python py2neo 疾病药物 智能问答
1.4K11编辑于 2025-11-10- 来自专栏大数据文摘
生物医学大数据：现状与展望
大数据具有“4V”特征：①数据容量 (Volume) 大，常常在 PB(1 PB=250 B)级以上；②数据种类 (Variety) 多，常常具有不同的数据类型（结构化、半结构化和非结构化）和数据来源； 1．生物医学大数据的来源：以下因素促进了生物医学领域大数据的出现。①生命的整体性和疾病的复杂性。 全球疾病负担研究是一个应用大数据的实例，该研究应用的数据范围广、数据量巨大，近 4 700 台并行台式计算机完成了数据准备、数据仓库建立和数据挖掘分析的自动化和规范化计算。 4．生物医学大数据面临的主要问题与发展趋势：作为一个新兴领域，大数据也伴随着一些争议：①既然数据总是不断增加，是否有必要区分大数据与传统数据？ ②大数据更多意义上可能是一种商业上的宣传？ 生物医学大数据面临的主要问题：①如何实现生物医学数据的标准化和规范化。数据标准化是数据共享的前提，只有标准化的数据才能有效融合与整合，从而发挥大数据的价值。 ②如何打破数据孤岛，实现生物医学数据共享。
3.2K50发布于 2018-05-23 - 来自专栏HyperAI超神经
谷歌发布 HEAL 架构，4 步评估医学 AI 工具是否公平
HEAL 架构：4 步评估皮肤科 AI 工具公平性 HEAL 框架包含 4 个步骤： 确定与卫生健康不公平有关的因素，并定义 AI 工具性能指标 明确并量化先前存在的健康差异 (disparities) 第三步：测量 AI 工具的性能 通过比较 AI 预测的排名病状与评估数据集上的参考诊断（根据年龄、性别、种族/族裔和eFST分层的亚群体）来测量 top-3 agreement 一致性。 未来，为了保证 AI 技术的公平性， 需要从多个角度进行干预与治理，如： * 公平的数据收集与处理：确保训练数据覆盖多样性，包括不同性别、年龄、种族、文化和社会经济背景的人群。 同时，要避免因偏见而导致的数据选择，确保数据集的代表性和平衡性。 * 消除算法偏见：在模型设计阶段，要主动识别和消除可能导致不公平结果的算法偏见。 而这就需要在数据收集、算法设计、产品开发等各个环节都考虑到不同群体的需求和特点。
39410编辑于 2024-05-13 - 来自专栏PPV课数据科学社区
【案例】浅谈医学大数据是怎么回事？
医疗大数据的利用可以从以下几方面减少浪费和提高效率 (Manyika, 以及其他人, 2011)： 临床操作： 相对更有效的医学研究，发展出临床相关性更强和成本效益更高的方法用来诊断和治疗病人。 此外，医疗大数据的分析还有利于以下几方面的发展 (W.Raghupathi & Raghupathi, 2014)： 循证医学：结合和分析各种结构化和非结构化数据，电子病历，财务和运营数据，临床资料和基因组数据用以寻找与病症信息相匹配的治疗 3）载入处理完的数据到特定的数据库或储存为特定的文件格式。4）采用各种方法进行数据分析。 图三 ? 根据潜在成长和承诺的综合考量，此调查还进一步把大数据分析平台,工具分成4组：第一组为适度的承诺，中度到强的成长潜力；第二组为中度至强有力的承诺，适度增长潜力；第三组为弱到中度的承诺，适度增长潜力；第四组为中度至强有力的承诺 传统数据一般来说是样本量远远大于感兴趣的因素，比如一数据有200条记录关于个人是否有心血管病，可能相关因素为性别，年龄，血压。这儿只有4个因素，但样本量为200（200>>4）。
1.7K30发布于 2018-04-23 - 来自专栏最新医学影像技术
医学图像处理教程（三）——医学图像增强算法
今天将给大家分享医学图像常见图像增强算法。 1、对数变换 图像对数变换首先将图像从SimpleITK图像数据转成Numpy矩阵数据，然后采用Numpy的log1p（）函数来计算数据的log（1+x）变换，由于1+x不能小于零，因此这里我们使用图像减去图像的最小值来计算对数变换结果 Numpy矩阵数据，然后采用Numpy的power（）函数来计算数据的幂次变换，为了防止出现计算值溢出错误，因此这里我们使用图像减去图像均值再除以图像方差来计算图像幂次变换结果，，在这里我们计算图像3次幂变换 Numpy矩阵数据，然后采用Numpy的exp（）函数来计算数据的指数变换，为了防止出现计算值溢出错误，因此这里我们使用图像减去图像均值再除以图像方差来计算图像指数变换结果。 image.GetDirection()) exp_image.SetSpacing(image.GetSpacing()) sitk.WriteImage(exp_image, "exp_image.mha") 4、
3.4K50发布于 2020-06-29
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号