coronary artery disease
PulseAugur coverage of coronary artery disease — every cluster mentioning coronary artery disease across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的BSC-Net改进了冠状动脉分割，以用于疾病分析
研究人员开发了BSC-Net，一个基于ResNet-U-Net的新型框架，旨在改进X射线冠状动脉造影中小冠状动脉的分割。该网络通过增强小血管表征和通过远程上下文建模及边缘感知损失函数来保持血管结构连续性，从而解决了成像噪声和复杂分叉等挑战。BSC-Net在两个公共数据集上取得了最先进的性能，能够进行准确的冠状动脉定量分析，以评估冠状动脉疾病。
-
CARDEA模型为冠状动脉造影提供可审计推理
研究人员开发了CARDEA，这是一种新颖的视觉语言模型，专为端到端的冠状动脉造影解读而设计。CARDEA采用链式盒子推理方法和可验证奖励的强化学习，以提供可审计的诊断结论。该方法旨在通过使模型的决策过程透明化和可解释化来增强临床医生的信任，解决了当前AI系统通常充当黑箱的局限性。
-
新的基于图的人工智能学习心电图模式以诊断疾病
研究人员开发了一种新颖的基于图的伪多模态对比学习框架Graph-CMMC，以改进12导联心电图（ECG）数据的分析。该方法通过模拟导联间依赖性和全局波形模式来解决现有方法的局限性，这对于诊断冠状动脉疾病等病症至关重要。该框架将ECG波形转换为Gramian Angular Difference Field（GADF）图像，以创建互补表示，从而实现自我监督学习，对齐这些不同的视图，同时基于图的模块强制执行跨导联的结构一致性。
-
AI 分析乳腺钼靶图像以检测女性心脏病
研究人员开发出一种人工智能模型，能够通过分析常规乳腺钼靶图像来检测女性心脏病。这项突破性进展有望将乳腺癌筛查转变为一种双重用途工具，在筛查癌症的同时识别冠状动脉疾病、高血压和中风史等心血管问题。该人工智能在识别中风方面准确率高达86%，在识别高血压或冠状动脉疾病方面准确率达到78%-79%，为解决女性心脏病诊断不足问题提供了一种可扩展的方法。
-
AI-ECG模型预测冠状动脉疾病结果
研究人员开发了一个AI-ECG模型，旨在预测冠状动脉CT血管造影的结果。该模型是从ECG基础模型微调而来，旨在改善冠状动脉疾病的风险分层。它在预测血管特异性狭窄严重程度和将患者分类到风险层级方面显示出有效性，显示出在患者分诊和减少诊断不确定性方面的临床应用潜力。
-
饮用咖啡与降低肝脏和心脏病风险相关
最新研究表明，适量饮用咖啡（定义为每天最多五杯）与肝脏和心血管系统有显著的健康益处。一项大型英国生物银行研究发现， regular coffee drinkers 患肝硬化、肝癌和肝病死亡的风险较低，即使在较低的饮用量下也观察到了益处。此外，美国心脏协会的一项审查表明，适量饮用咖啡对大多数成年人是安全的，并且可能与降低心脏病、中风和2型糖尿病的风险相关，而不会增加心律失常的可能性。
-
新的IDNet框架通过多模态数据融合改进心脏病筛查
研究人员开发了IDNet，一个新颖的多模态框架，旨在通过彩色眼底摄影和临床数据实现更稳健的缺血性心脏病（IHD）筛查。该框架包含一个跨模态蒸馏聚合器（CDA），可有效融合视觉特征和表格特征，解决了高维图像数据与低维临床变量之间的不平衡问题。为了支持这项研究，使用UK Biobank数据创建了一个新的、可复现的基准，该基准包含来自25,205名受试者的50,410张图像，证明了IDNet在性能上优于现有方法。
-
新AI模型改进冠状动脉分割以诊断疾病 · 跟踪2个来源
两篇新的研究论文介绍用于分割数字减影血管造影（DSA）图像中冠状动脉的先进深度学习模型。第一个模型HTC-SGA Former，利用混合Transformer-CNN架构和新颖的边界加权自适应复合损失（BWACL）来改进细薄、低对比度血管及其边界的分割。第二个模型MSA-UNet3+，采用多尺度注意力UNet3+框架结合监督原型对比损失（SPCL）来解决类别不平衡问题并增强特征区分度，以实现更精确的血管描绘。两种方法在私有数据集上均展…
-
新的深度学习模型改进冠状动脉狭窄分级
研究人员开发了一种新颖的深度学习算法，用于对冠状动脉狭窄进行分级，这是诊断冠状动脉疾病的关键步骤。提出的曲面特征重建（CFR）模块有效地融合了来自CCTA和3D SCPR图像的数据，克服了每种模态的局限性。此外，临床风险感知（CR）损失函数将临床风险信息整合到训练过程中，从而提高了诊断准确性。在内部数据集上的实验表明，该方法显著优于现有方法。
-
Foundation Models Evaluated for Multimodal Cancer Analysis
研究人员系统地评估了用于多模态癌症分析的基础模型（FM），重点关注它们对分布外数据的泛化能力。该研究使用了来自两个商业队列 IH-BC 和 IH-NSCLC 的全切片图像和转录组学谱。研究结果表明，FM 表示在未见过的数据上表现具有竞争力，并且多模态融合主要在单个模态不提供主导信号时才具有优势。研究还强调了面向临床支持的不确定性感知推理的价值，因为一致性预测表明，当点预测失败时，真实诊断通常保留在预测集中。
-
高通有意以80亿至100亿美元收购Tenstorrent以获取AI芯片人才
据报道，高通正在考虑收购由Jim Keller领导的AI芯片开发商Tenstorrent。这笔潜在交易的估值在80亿至100亿美元之间，将是高通的一笔重大交易。据报道，该公司对Tenstorrent基于RISC-V的AI加速器和CPU知识产权感兴趣，可能旨在加强其自身的数据中心AI和CPU开发工作。
-
AI模型通过听诊器录音以92%的准确率检测儿童心脏病
研究人员开发了一种新颖的方法，利用数字听诊器的心音图（PCG）录音来检测儿童先天性心脏病（CHD）。该方法整合了深度学习特征和手工特征，以提高诊断准确性，特别是在传统超声心动图不易获得的低资源环境中。该模型在孟加拉国751名儿科受试者的数据上取得了高性能指标，包括92%的准确率和96%的AUROC。这项技术有望成为实时远程检测CHD的一种经济高效的筛查工具。