- 综合排序
- 最热优先
- 最新优先
- 来自专栏Sentieon：文献解读
犬类癌症检测（CANDiD）研究：使用独立测试集对1000多只犬进行基于高通量测序的多癌种早期检测液体活检血液测试的临床验证
over 1,000 dogs using an independent testing set: The CANcer Detection in Dogs (CANDiD) study 标题（中文）：犬类癌症检测 文献讨论 这项研究首次大规模验证了基于NGS的液体活检技术在犬类多癌种检测中的应用。结果显示该方法具有高特异性和中等敏感性，尤其对侵袭性强的癌症类型检测效果更佳。 研究发现这种技术能在症状出现前数月检测到癌症，但对早期小型肿瘤的检测仍有局限。研究者提出了几种改进方法，并指出该技术在犬类癌症筛查中具有潜力，同时对人类癌症研究也有启发。 总结 这项研究首次在大规模独立测试集上验证了基于NGS的液体活检在犬类多癌种检测中的应用。该方法具有很高的特异性，可以作为一种新的无创癌症筛查和辅助诊断工具。 通过早期发现癌症，有望改善犬类癌症的诊断和管理模式。尽管在早期小肿瘤的检测方面仍有改进空间，但其在检测侵袭性和晚期癌症方面的出色表现为未来的研究和应用开辟了新的途径。
48910编辑于 2024-12-16 基于yolov8深度学习的120种犬类检测与识别系统python源码+onnx模型+评估指标曲线+精美GUI界面目标检测狗类检测犬类识别系统
【算法介绍】 基于YOLOv8深度学习的120种犬类检测与识别系统是一款功能强大的工具，该系统利用YOLOv8深度学习框架，通过21583张图片的训练，实现了对120种犬类的精准检测与识别。 该系统基于Python与PyQt5开发，具有简洁的UI界面，支持图片、视频以及摄像头三种方式进行目标检测，并能够将检测结果进行保存。 在检测过程中，系统能够实时显示目标位置、目标总数、置信度以及用时等信息，为用户提供直观、清晰的检测结果。 该系统在多个领域具有广泛的应用价值。 在公共安全领域，警方和安保人员可以利用它快速识别搜救犬、警犬以及潜在的威胁性狗类，提高工作效率和响应速度。 总之，基于YOLOv8深度学习的120种犬类检测与识别系统是一款高效、准确、易用的工具，它的出现将极大地推动犬类检测与识别技术的发展，为多个领域带来便利和价值。
24200编辑于 2025-07-22犬面部检测数据集VOC+YOLO格式987张1类别
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)
24610编辑于 2025-09-09犬眼部疾病检测数据集VOC+YOLO格式6364张4类别有增强
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)
23510编辑于 2025-07-17狗狗未带护具犬未带护具检测数据集VOC+YOLO格式2194张3类别
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)
13000编辑于 2025-07-17犬鼻子检测数据集VOC+YOLO格式6808张1类别近距离拍摄
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)
7700编辑于 2025-07-17- 来自专栏ATYUN订阅号
人工智能检测癌症仍需谨慎对待
癌症的危害 戴尔医学院皮肤科医生兼助理教授阿德沃尔·阿达姆森（Adewole Adamson）在接受《边缘》杂志采访时说：“社会上有一种观点，认为发现更多的癌症总是更好的，但事实并非总是如此。”。 “我们的目标是发现更多的癌症，这些癌症实际上会导致死亡。”但问题是“癌症的构成没有黄金标准。” 正如研究发现的，你可以向一组医生展示同样的早期病变，并得到关于能否确诊为癌症的完全不同的答案。 首先，该公司的研究人员训练了他们的图像算法来确定是否是癌症。但是，由于没有癌症诊断的固定标准，特别是早期癌症，这样的训练数据是否提供了一个良好的基线是有争议的。 其次，谷歌的算法只能产生二元结果：是的，是癌症，或者不是。正如阿达姆森在最近的一篇论文中所说，医疗检测需要有不确定性的空间，第三种选择代表诊断的灰色区域，延长诊断时间，而不是结束辩论。 2017，谷歌大脑的联合创始人Andrew Ng在评论一种用X射线检测肺炎的算法时重复了这一点：“放射科医师应该担心他们的工作吗？””
55820发布于 2020-02-21 基于yolov8的狗狗未带护具犬类未带护具检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
为大型犬佩戴护具意义重大，它不仅能防止犬只伤人、减少吠叫对居民的干扰，更是维护市民人身安全、塑造城市文明形象的关键举措。 因此，如何快速精准地检测大型犬是否佩戴护具，成为城市宠物管理智能化升级的关键突破点。 传统的大型犬护具检测方式主要依赖人工巡检，但这种方式效率低下、覆盖范围有限，难以满足城市大规模、高密度宠物管理的需求，且易受环境光线、犬只状态及巡检人员主观判断的影响，出现漏检或误判。 而基于YOLOv8的大型犬未带护具检测算法与系统应运而生，为城市宠物智能管理带来了创新解决方案。该算法凭借深度学习强大的图像识别能力，能快速处理海量监控视频数据，精准识别大型犬及其护具佩戴状态。 【效果展示】 【测试环境】 windows10 anaconda3+python3.8 torch==2.3.0 ultralytics==8.3.81 【模型可以检测出3类别】 ["dangerousdog
10900编辑于 2025-07-17- 来自专栏大数据文摘
远离癌症并不难: 再谈肿瘤检测与精准医疗
遗传性肿瘤是由特定致病基因突变导致，且具有家族聚集性的一类疾病，约占癌症的5%~10%，包括胃癌、黑色素瘤、结直肠癌、乳腺癌、卵巢癌等。 根据WHO报告，透过健康的生活方式，如戒烟、戒酒，运动和均衡饮食习惯，以及有效运用现有的医疗设施，如定期筛检和早期检测，至少有一半以上的癌症是可以预防或避免的。 ——奥巴马 提到“定期筛检和早期检测”，就自然会想到“精准医疗”一词。 基因检测技术起源于美国，临床应用已经长达30多年。在国内，华大基因可通过基因检测早期筛查乳腺癌、卵巢癌。 并以此结果为依据，由专业的遗传咨询师给出相应的风险管理方案，做到癌症未病先防。 进一步了解一次可检测508个肿瘤相关基因、解读88种肿瘤药物的肿瘤基因检测服务, 请查询华大基因的OseqTM-T。
69630发布于 2018-05-21 - 来自专栏科研猫
肿瘤基因检测与临床
提到基因检测，前几年，临床医生在向患者推荐时还心存疑虑，而近两年，基因检测已成为癌症诊疗的标准动作，基本上每一个癌症患者都有一套自己的基因检测报告。不得不说，一个患者一套方案的个体化诊疗时代已经到来。 比如，一位患者患了癌症，不仅要做病理诊断还要做全基因检测，发现突变位点，进而为患者制定包括化疗，靶向，免疫治疗方案，以及家族癌症风险评估。 不同基因检测方法比较 基因检测的技术其实很多，目前大概有13类基因检测技术，他们之间优劣势对比如下。 1、等位基因特异性PCR 优点：敏感性 - 需要突变存在1-5％。无需特殊设备。 4、质谱法 优点：灵敏，存在5-10％可靠地检测突变DNA; 测试多个基因。 缺点：需要质谱仪器; SNV特异性并且不能检测可能存在的肿瘤DNA中的其他突变。 5、单碱基扩展测定 优点：灵敏，可靠地检测突变DNA，如果以5-10％存在; 测试多个基因。无需特殊设备。 缺点：SNV特异性并且不能检测可能存在于肿瘤DNA中的其他突变。
1.3K10发布于 2019-11-08 - 来自专栏量子位
Google用深度学习做癌症病理检测，准确率达89％
特别是癌症，病理学家的诊断报告对患者的治疗具有十分深远的影响。对病理切片的检查是一项非常复杂的任务，只有通过多年的训练，具有丰富的专业知识以及经验，方能成为病理学家。 左：两个淋巴结的活体组织检测图像； 中：经过深度网络模型进行肿瘤检测后的早期结果； 右：模型的分析结果，可见目前的检测模型存在假阳性。 关于这方面的详细工作，请参考文章《对千兆像素级的病理图像进行癌症转移检测》。 虽然目前模型的检测效果不错并且有提升空间，但是还有以下几点需要注意。 1. 像大多数指标一样，FROC定位评分并不完美。 这些算法在执行病理检测时表现良好，但是不能检测病理幻灯片里的其他异常现象。但是病理学家可以在识别肿瘤细胞的同时，利用本身专业的系统知识，识别患者的炎症过程、自身免疫疾病或其他类型的癌症等。 3.
1.6K50发布于 2018-03-21 水果检测多类水果检测数据集13374张67类别有增强
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)：13374 标注数量(xml文件个数)：13374 标注数量(txt文件个数)：13374 标注类别数：67 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为准):["apple","apricot","avocado","banana","beetroot","blueberry","cactus","cantaloupe","carambula","cauliflower","cherry","chestnut","clementine","cocos","cucumber","dates","dragon fruit","eggplant","ginger","granadilla","grape","grapefruit","guava","hazelnut","huckleberry","kaki","kiwi","kohlrabi","kumquats","lemon","limes","lychee","mandarine","mango","mangostan","maracuja","melon","mulberry","nectarine","nut","onion","orange","papaya","passion","peach","pear","pepino","pepper","physalis","pineapple","pitahaya","plum","pomegranate","pomelo","potato","quince","rambutan","raspberry","redcurrant","salak","strawberry","sugar apple","tamarillo","tangelo","tomato","walnut","watermelon"] 每个类别标注的框数： apple 框数 = 5449 apricot 框数 = 251 avocado 框数 = 294 banana 框数 = 3774 beetroot 框数 = 296 blueberry 框数 = 236 cactus 框数 = 284 cantaloupe 框数 = 258 carambula 框数 = 238 cauliflower 框数 = 278 cherry 框数 = 254 chestnut 框数 = 255 clementine 框数 = 254 cocos 框数 = 246 cucumber 框数 = 134 dates 框数 = 249 dragon fruit 框数 = 1292 eggplant 框数 = 265 ginger 框数 = 287 granadilla 框数 = 270 grape 框数 = 5237 grapefruit 框数 = 264 guava 框数 = 1272 hazelnut 框数 = 261 huckleberry 框数 = 272 kaki 框数 = 281 kiwi 框数 = 293 kohlrabi 框数 = 266 kumquats 框数 = 285 lemon 框数 = 268 limes 框数 = 271 lychee 框数 = 254 mandarine 框数 = 292 mango 框数 = 584 mangostan 框数 = 262 maracuja 框数 = 265 melon 框数 = 276 mulberry 框数 = 260 nectarine 框数 = 276 nut 框数 = 265 onion 框数 = 285 orange 框数 = 1513 papaya 框数 = 276 passion 框数 = 239 peach 框数 = 1207 pear 框数 = 517 pepino 框数 = 266 pepper 框数 = 278 physalis 框数 = 267 pineapple 框数 = 1090 pitahaya 框数 = 233 plum 框数 = 284 pomegranate 框数 = 262 pomelo 框数 = 243 potato 框数 = 256 quince 框数 = 267 rambutan 框数 = 266 raspberry 框数 = 229 redcurrant 框数 = 276 salak 框数 = 266 strawberry 框数 = 268 sugar apple 框数 = 1255 tamar
43611编辑于 2025-07-17- 来自专栏编程创造城市
python中检测类和对象
一、issubclass函数 用来检测一个类是否是另一个 类的子类。 应用说明：一旦检测到一个类是另一个类的子类后，实际上就可以调用父类中所有的方法和属性。 二、使用魔法属性检测父类 通过类名的魔法属性__bases__ 使用魔法属性输出后的格式是这样的：(<class '__main__.Person'>,) 三、检测对象 使用isinstance函数 举例如下： isinstance(teach,Person) 四、总结强调 1.掌握issubclass函数检测一个子类是否是父类的子类。 2.掌握__base__魔法属性来查看所继承的父类 3.掌握isinstance函数检测一个对象是否是另一个类实例化而来的对象。 ) print("检测一个类是否是另一个类的子类",issubclass(Teacher,Person)) print("使用魔法方法查父类",Teacher.
1.2K20发布于 2019-08-05 - 来自专栏机器之心
业界 | 百度提出NCRF：深度学习癌症图像检测效率再提升
NCRF 项目已开源：https://github.com/baidu-research/NCRF 目前在医疗领域有很多癌症诊断方法，其中病理学活体检测被认为是最为可信的标准。 随着人工智能的发展，人们已经提出了各种基于深度学习的算法来帮助病理学家有效审查这些切片，并检测癌症转移。 （a) 原始的完整切片图像；（b) 病理学家注释的图像，白色区域表示癌症转移；（c) 通过之前的算法预测癌症区域，不考虑临近图像块；（d) 通过百度的算法预测癌症区域。 这种全新的癌症检测算法有潜力改进病理切片镜检的效率与准确率。这能使得病理学家更加关注算法重点强调的癌症区域，而不是检查整个切片。不过，要综合评估该算法，还需要在更大数据集上做进一步的临床研究。 我们还展示了在 Camelyon16 数据集上该方法在癌细胞转移检测方面优于基线方法，在测试集上取得了 0.8096 的平均 FROC 分数。
75700发布于 2018-07-30 - 来自专栏作图丫
Nature Communications|基于上万名中国癌症患者ctDNA的检测分析
导语 GUIDE ╲ 有研究显示可以通过循环肿瘤DNA（ctDNA, Circulating tumor DNA）检测也被称为液体活检来进行癌症的早期诊断。 Fig.1 02 ctDNA的可检测性和分子特征在不同的癌症类型中有所不同 在消除CH变异体后，研究人员在9801份血浆样本中检测到51133个非同义突变、1945个拷贝数变异和442个rearrangements ctDNA检测的总灵敏度为73.5%。 ctDNA的检测能力在不同的癌症类型中有所不同，SCLC为91.1%，前列腺癌为87.9%，子宫癌为77.6%，HCC为77.1%和UGI癌为76.9%，显示与其他癌症类型相比具有更高的敏感性。 共检测到63种药物敏感标记物，其中最常见的是EGFRe19del(Fig.6B)。
51010编辑于 2022-03-29 - 来自专栏BestSDK
谷歌用深度机器算法检测癌症，准确率高过医学博士！
特别是对于癌症，病理学家的诊断对患者的治疗具有深远的影响。病理切片审查是一个非常复杂的任务，需要多年的培训才能做好，丰富的专业知识和经验也是必不可少的。 为了解决诊断时间有限和诊断结果不一致的问题，我们正在研究如何让深度学习数字病理学领域发挥作用，通过创建一个自动检测算法，在病理学家的工作流中提供辅助工具。 图1 左图是来自两个淋巴结活检的图像，中图是早期深度学习算法检测肿瘤的结果，右图是我们当前的成果，注意第二个版本的可见噪声（潜在误判）已降低。 在这里，FROC分数定义是预设带有少量假阳性的灵敏度，假阳性是指将正常组织错判为肿瘤，灵敏度则是每个载玻片所检测到肿瘤的百分比。 人类病理学家可以检测出模型还没有训练的异常分类，例如炎症过程、自身免疫疾病或其他类型的癌症。 · 为了确保患者得到最佳的临床结果，这些算法需要作为病理学家的辅助工具，融入到他们的工作流中。
80250发布于 2018-02-28 - 来自专栏生信菜鸟团
算法测评 | 如何选择合适的 PPI 检测方法以识别关键癌症通路
由于相互作用的蛋白质通常功能相关或协同工作，网络方法能够识别可能仍在癌症中发挥重要作用的低频基因。 此外，它们有助于检测揭示导致癌症进展的分子通路的聚类模式。 因此，有可能将与癌症无关但具有连接性的基因纳入检测到的模块中。 对于第1类中的方法，我们可以看到随着度数的增加，检测概率接近于零。这表明这些方法可能无法识别具有高程度的重要癌症基因。 尽管第2类中方法的观察模式类似，但仔细检查检测到的亚网络后发现，除了FDRnet之外，所有其他方法倾向于通过高程度枢纽基因将所有检测到的基因分组到仅一个或少数几个亚网络中（见补充表3），导致较低的Fsub 对于聚类系数，我们注意到，在第一类方法（即DOMINO和HotNet2）中，对高程度节点施加惩罚的方法，其检测概率随着程度的增加而增加（补充图6）。
52000编辑于 2025-03-06 - 来自专栏ATYUN订阅号
【行业】AR走进医疗：谷歌打造增强现实显微镜平台实时检测癌症
谷歌在美国癌症研究协会(AACR)年度会议上发布的演讲，以及正在审查中的《用增强现实显微镜自动实时检测癌症》（An Augmented Reality Microscope for Real-time 原则上来说，ARM可以提供广泛的视觉反馈，包括文本、箭头、轮廓、热点图或动画，并且能够运行多种类型的机器学习算法，以解决如检测、量化或分类等不同种类的问题。 为了演示ARM的潜在效用，运行了两种不同的癌症检测算法：一种是在淋巴结标本中检测乳腺癌转移，另一种是在前列腺切除术样本中检测前列腺癌。 虽然这两种癌症模型最初是通过全片扫描仪中的图片训练的，光学配置完全不同，但即使没有额外的重训，这些模型在ARM上表现得也非常好。 例如，在ARM上运行进行癌症探测时，淋巴结转移模型有0.98的曲线面积（AUC），前列腺癌模型的AUC是0.96，与WSI的表现相比，只是稍稍下降。
69930发布于 2018-07-27 - 来自专栏生信开发者
早期癌症检测和筛查，DNA甲基化或基因表达 ，哪个更好？
在过去的几年里，早期癌症检测诊断公司受到了风险投资的广泛关注，许多实验室推出了诊断测试来满足这个潜在的巨大市场。 然而，随着 RNA 检测的价值及其能力正在迅速增长，这可能是一种不完整的方法。基因表达是一种基于 RNA 的技术，可能被证明是用于早期癌症检测和筛查的更强大的工具。 异常的 DNA 甲基化模式通常与癌症有关。 DNA 甲基化在早期癌症检测中的优点： 稳定性：随着时间的推移，DNA 甲基化模式往往相对稳定，并且可以在血液或尿液等易于获取的样本中检测到。 基因表达用于早期癌症检测的优点： 功能洞察：基因表达分析提供了有关哪些基因积极参与细胞过程的信息，有可能识别癌症中失调的特定途径。 高灵敏度：它可以检测基因表达的细微变化，这些变化可能表明早期癌症阶段。 基因表达对于早期癌症检测的缺点： 复杂性：分析基因表达数据历来在技术上具有挑战性且昂贵。
32210编辑于 2024-04-26 - 来自专栏蛋未明的专栏
PHP简单性能检测类工具
一、概述 该类主要是检测一段代码的运行时间，检测一些PHP效率问题。 ，就代表着检测开始。 preTime() 该接口主要是检测上一次代码执行时间 end() 该接口主要是检测总的执行时间 三、举例 <? .= $i; } Run_Time_Test::end(); 加载该工具类，同时设置检测起始位置，同时在代码中添加多个Run_Time_Test::preTime();检测每个阶段的代码执行效率 测试代码以及类点击此处
86730发布于 2018-06-07
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