基于深度学习的机会性CT影像检测未诊断的医学条件
原文中文，约400字，阅读约需1分钟。发表于：。本研究针对现有腹部CT扫描未能充分诊断的医学条件（如肌肉减少症、肝脂肪变性和腹水）进行分析，通过深度学习方法提高诊断的准确性和临床记录质量。研究发现，仅有少数影像在报告和ICD编码中得到确认，表明机会性CT在提高诊断精度和风险调整模型准确性方面具有重要潜力，有望推动精准医学的发展。
本文介绍了一种名为CASED的新型课程采样算法，该算法优化了具有极端类别不平衡的数据集上的深度学习分割或检测模型。通过在胸部CT的肺结节检测任务中评估CASED学习框架，证明其可以提高深度结节分割模型的训练效果，并在LUNA16结节检测基准测试中获得了88.35％的平均灵敏度分数。该学习框架适用于其他存在类别不平衡问题的医学图像问题。
