胃肠镜检查是筛查消化道癌症的重要手段，尤其适用于无症状人群。它能有效发现食管癌、胃癌和结直肠癌，早期诊断和治疗可显著提高生存率。检查包括胃镜和结肠镜，需注意准备和适应症。高危人群应定期筛查，关注症状变化，及时就医。

阿里巴巴达摩院与多家医院合作研发的脂肪肝筛查AI模型MAOSS，能够通过CT影像和血清指标精准筛查肝脂肪分期，将高风险患者的检出率提升至52.4%。该研究已发表在《Nature Communications》。

达摩院研发的AI模型DAMO GRAPE能够通过平扫CT提前6个月识别早期胃癌，显著提高检出率。该技术在全国20个中心的临床研究中表现优异，填补了胃癌筛查的空白，促进早期发现与治疗。

本研究提出了一种渐进性迁移学习方法，旨在改善糖尿病视网膜病变筛查中的低质量视网膜图像。该方法通过多次恢复迭代显著提升图像质量，无需配对数据，展现出良好的恢复效果和应用潜力。

本研究解决了精确量化个体心理健康动态变化的挑战，尤其是在抑郁和焦虑障碍的识别方面。通过应用卷积神经网络（CNN）分析视觉注意力路径，该研究提供了一种新颖的人工智能辅助筛查方法。实验结果显示，该方法在快速、生态和有效的心理健康筛查中具有潜在的应用价值。

本研究探讨了大规模语言模型（LLMs）在儿童抑郁症诊断中的应用，发现其在提取抑郁症状方面的效率比传统方法高60%。LLMs在识别罕见症状方面表现优异，显示出其在减少诊断错误和补充传统筛查中的重要价值。

本研究解决了在资源有限环境中糖尿病视网膜病（DR）筛查的迫切需求，评估了基于人工智能的糖尿病视网膜病筛查系统（AIDRSS）的有效性。该系统使用深度学习算法，显示出在多样化人群中对DR的高灵敏度（92%）和特异性（88%），并有潜力显著降低糖尿病相关的视力损失负担。

本研究解决了如何利用社交媒体数据进行快速心理健康筛查的问题，提出了一种新的自适应检索增强生成（RAG）方法，通过分析社交媒体帖子来完成心理问卷。研究发现，该方法能够有效预测用户对心理问卷的反应，并且作为可扩展的筛查工具，与传统心理测量实践相一致。

本研究针对家用睡眠呼吸暂停筛查领域的准确性不足问题，提出了一种基于心电图（ECG）和呼吸信号特征的轻量级神经网络模型。该模型能够有效检测睡眠阶段和相关呼吸异常，最终实现了高达0.978的睡眠呼吸暂停（OSA）检测准确率，显示出其在家用健康监测方面的广泛应用潜力。

本研究提出PsyDraw系统，旨在解决中国留守儿童心理健康筛查的难题，特别是在资源有限的地区。该系统结合多模态语言模型，辅助分析HTP测试，有效识别需要关注的案例，前景乐观。

本文提出Mammo-CLIP，通过大规模图像文本数据集预训练，解决乳腺癌检测中的数据不足问题。实验结果表明，该方法在分类和定位上具有良好的数据效率和鲁棒性。此外，Mammo-FActOR提供基于句子级的空间解释。

本研究开发了一种深度放射组学模型用于检测临床显著前列腺癌，并与PI-RADS评估进行比较。结果表明，该模型在患者层面的检测效果与PI-RADS相当，但在病灶层面表现不佳，显示其在前列腺癌筛查中的潜在应用价值。

近十年前，谷歌与印度和泰国的医院合作，利用AI减少糖尿病视网膜病变导致的失明。AI已支持60多万次筛查，并授权给当地合作伙伴，解决眼科医生短缺。未来十年，计划在资源有限的社区提供600万次AI筛查。AI技术将纳入泰国国家创新计划，支持公共医院筛查。

本研究通过持续学习方法解决了AI在COVID-19影像筛查中适应不同数据集的问题，并开发了一个能在不同地点和医院学习的移动应用程序，提高了筛查效率和诊断准确性。

本研究开发了一种深度学习算法（AI-CAC），解决了非心脏CT扫描中未被常规量化的冠状动脉钙化问题。研究证明AI-CAC在预测长期死亡率和心血管事件方面优于以往算法。

本文介绍了一种基于深度卷积神经网络的乳腺癌筛查分类方法，通过训练和评估超过200,000个检查，该网络在筛查人群中预测乳腺癌的AUC为0.895。研究发现，结合神经网络预测和放射科医生的预测平均值可以提高准确性。