发酵乳中乳酸的多种生理功能

食品的功能化是当今世界食品发展的主要趋势之一,因此具有营养保健功效的发酵乳逐渐成为市场开发的热点。本文综述乳酸与肌肉疲劳、疾病诊断、机体能量代谢之间的关系及其抗癌作用,为进一步开发利用发酵乳中的乳酸提供参考。     

基于图卷积神经网络的胸部放射影像疾病分类方法北大核心CSCD

医学X射线作为胸部疾病的常规检查手段,可以对早期不明显的胸部疾病进行诊断,并且观察出病变部位。但是,同一张放射影像上呈现出多种疾病特征,对分类任务而言是一个挑战。此外,疾病标签之间存在着不同的对应关系,进一步导致了分类任务的困难。针对以上问题,本文将图卷积神经网络(graph convolutional neural network,GCN)与传统卷积神经网络(convolutional neural network,CNN)相结合,提出了一种将标签特征与图像特征融合的多标签胸部放射影像疾病分类方法。该方法利用图卷积神经网络对标签的全局相关性进行建模,即在疾病标签上构建有向关系图,有向图中每个节点表示一种标签类别,再将该图输入图卷积神经网络以提取标签特征,最后与图像特征融合以进行分类。本文所提出的方法在ChestX-ray14数据集上的实验结果显示对14种胸部疾病的平均AUC达到了0.843,与目前3种经典方法以及先进方法进行比较,本文方法能够有效提高分类性能。     

浅谈神经内科进修医生带教体会

1 正确的临床思维的建立 神经内科疾病诊断讲求定位诊断和定性诊断,这是与内科诊断思路区别最大的一点.近年来随者辅助检查手段的不断发展,许多医生片面地依靠辅助检查,而忽视了扎实的基础理论知识学习和诊断分析病例正确思路的建立,殊不知辅助检查是我们手中的工具,而后者才是合理运用工具的前提.     

基于覆盖粗糙Vague软专家集的动物疾病诊断算法

针对现有Vague软集扩展模型的不足,文中将覆盖粗糙集、Vague软集和软专家集3种模型融合扩展,提出了新的处理不确定性问题的数学模型,即覆盖粗糙Vague软专家集,并研究了相关性质.在此基础上,文中给出了一个基于覆盖粗糙Vague软专家集的动物疾病辅助诊断算法.该算法计算了覆盖粗糙Vague软专家集的上下近似算子,通...     

一种面向脑疾病诊断的图卷积网络对抗攻击方法

近年来,利用静息态功能磁共振成像的脑功能网络分析已被广泛应用于各类脑疾病的计算机辅助诊断任务中。结合临床表型测量与脑功能网络构建的图卷积神经网络框架,提高了智能医学疾病诊断模型对现实世界的适用性。但是,基于脑功能网络的疾病诊断模型的可信度研究是一个重要但仍被广泛忽视的部分。对抗攻击技术在医疗机器学习中对模型的“欺骗”进一步引发了模型应用于临床实际中的安全与信任问题。基于此,在这项工作中,首次提出了一种面向脑疾病诊断的图卷积网络对抗攻击方法BFGCNattack,结合临床表型测量构建了疾病诊断模型,探索评估了智能诊断模型在面临对抗攻击时的鲁棒性。在自闭症脑成像数据集上的实验结果表明,使用图卷积网络构建的诊断模型在面临提出的对抗攻击时是脆弱的,即使只执行少量(10%)的扰动,模型的准确率和分类裕度均显著下降,同时愚弄率也显著提高。     

基于粗糙集与计算智能的诊断专家系统研究

在简要介绍粗糙集、计算智能基本概念及其特点的基础上,提出了基于软计算的规则获取方法与推理机制;建立了犬疾病的模糊诊断模型,为研究疾病诊断提供了新的思路,系统的试运行结果表明,该系统可以辅助用户对发生的疾病做出诊断与治疗。     

高光谱图像在生物医学中的应用

高光谱成像（hyperspectral imaging,HSI）作为生物医学可视化的一种新兴技术,在生物医学领域的研究正逐渐受到关注。随着高光谱成像技术以及精准医学的迅速发展,将高光谱成像技术应用于近距离的医学诊断成为新的研究趋势。高光谱成像技术能同时获取生物组织的2维空间信息和1维光谱信息,覆盖可见光、红外和紫外等光谱范围,具有较高的光谱分辨率,可提供有关组织生理、形态和生化成分的诊断信息,为生物组织学研究提供更精细的光谱特征,进而为医学病理诊断提供更多辅助信息。本文介绍了高光谱成像技术的基本原理、高光谱显微成像系统的基本构成及特点。基于此,总结并阐述了高光谱成像技术在疾病诊断和手术指导中的应用进展,涉及其在癌症、心脏病、视网膜疾病、糖尿病足、休克、组织病理学和图像引导手术等方面的应用。综合分析了高光谱成像技术在生物医学领域应用的局限性,并提出了生物医学研究领域中该技术的未来发展方向。     

让健康数据就像水和空气一样无处不在——专访北京亿康网创始人亢瑞卿

“利用云健康技术为用户提供实时的踺康服务一实时采集人体数据，进而帮助人们做好疾病治疗、疾病诊断等健康管理工作。”这就是亢瑞卿的梦想．让健康数据无处不在，让亿万人民健康起来。     

基于多层感知器网络的农作物疾病诊断系统

农作物疾病的人工诊断效果常受到个人诊断经验和能力的限制,无法达到最令人满意的诊断结果.将丰富的植物病理学诊断经验和知识编人专家系统,利用模式识别算法,对农作物常见疾病进行诊断,可以大大提高诊断准确率,有效地提高其产量和质量.主要研究了基于一种人工神经元网络—多层感知器网络的模式识别技术在大豆疾病诊断中的应用.MLP神经网络通过模拟生物神经元细胞对外部刺激而产生的反应,构成一种前向神经网络,可以有效地解决非线性不可分问题.首先对大豆常见19种疾病症状进行了收集和整理,构建试验样本集.然后,利用反向传播算法对该网络进行训练和测试.测试结果表明,该模型具有较高的农作物疾病诊断正确率和良好的泛化能力.