|
搜索
搜 索
高等教育领域数字化综合服务平台
XM-603E脑中风模型（大脑疾病模型）
XM-603E脑中风模型（大脑疾病模型）
XM-603E脑中风模型（大脑疾病模型）展现了大脑的皮质、灰质、脑干、动脉等结构，并且设计了脑出血、动脉瘤、大脑动静脉畸形等病理结构。
尺寸：17×14×18cm
材质：PVC材料
上海欣曼科教设备有限公司
2021-08-23
新冠肺炎影像学AI智能辅助诊断研究
“现阶段医生需要在大量影像数据中快速诊断出新冠肺炎的病例，此外还需要诊断出病灶分布的位置、大小等来评估严重程度。”薛向阳介绍，针对临床的现实需求，团队将设计目标定位于“肺炎分类鉴别”和“关键病灶检测”两大功能，前者是为区别健康状态、新冠肺炎、其他病毒性肺炎、细菌性肺炎，后者则为找到并分隔出磨玻璃影等病灶区域。针对这些需求，团队设计诊断算法模型，让机器利用模型进行训练，学习不同类型肺炎在CT影像表现上的不同特征，最终具备智能辅助诊断的能力。而这需要突破小样本学习、小目标检测等多个技术难题。“小样本学习”即在较少训练数据样本的条件下进行机器学习。在疫情发生前期，能够获取的新冠肺炎影像数据相对较少，且由于一线影像医生任务繁重，无法获得大量专家标注，因此需要算法在少量样本的条件下“自学成才”。为此，团队采用基于自迁移学习的半监督学习等技巧，使算法具备一定的“小样本学习”能力，在不增加医生标注工作量的情况下较好地提高了算法模型的普适性。由于CT影像切片中的病灶区域有大有小，且往往大中小病灶区域面积悬殊，如何使算法能同时检测大、中、小各个目标是另一大难题。团队利用神经网络的层次性特点与病灶区域的大小进行对应，“网络的底层关注细节，即小病灶区域，而网络中层到高层所关注的病灶区域则越来越大，因此模型通过不同层次的加权和融合，最终便能达到同时检测大小病灶区域的目标。”薛向阳解释道。“不过，即便有诊断‘神器’，影像科医生也是不可替代的。”薛向阳说，人是复杂的机体，病毒在不同人体内感染的反映也不一定相同。”他表示，当遇到机器未曾学习过的微小病变或疑难病例时，仍需要影像医生的经验和智慧。以解决实际问题为目标，该项目在研究过程中始终与临床应用紧密结合。无论是机器学习数据，还是测试评估数据，都来源于临床真实病例。在算法模型定型过程中，为了检验模型的准确率和泛化性，团队也利用现实疑似病例进行了测试。
复旦大学
2021-04-10
基于AI 机器学习的影像组学模型研究
2019年12月以来，由SARS-CoV-2病毒感染导致的新型冠状病毒疾病（COVID-19）在全球开始蔓延。报道显示，SARS-CoV-2感染患者的中位住院时间为10天，而武汉患者在发病10天后症状有可能加重。因此，住院时间是COVID-19临床预后的重要指标之一。 目前，CT影像学已成为COVID-19肺炎的诊断和监测工具，主要表现为磨玻璃影、实变及混合密度影。然而，现阶段的影像学研究主要集中于对病灶的定性和半定量描述，缺乏对病灶的全定量分析。因此，基于前期提出的CT定量监测COVID-19肺炎病程，团队假设在CT病灶背后的高通量影像特征“隐藏”了患者预后转归的“秘密”。 本研究纳入了兰州、安康、丽水、镇江、临夏5家新冠肺炎定点医院，自2020年1月23日到2月8日期间住院患者的临床资料和首次CT资料，所有患者经RT-PCR证实SARS-CoV-2病毒感染。至2月20日，研究共纳入31例治愈出院的患者（排除14例未出院患者和7例首次CT检查无肺炎表现患者），并将10天作为住院时长的二分类阈值。基于有限的样本量，团队将4个中心作为训练队列，另外一个中心作为验证队列。通过自动分割肺叶和半自动分割病灶，31名患者中累计分割出72个病灶。在对病灶图像预处理后，提取影像组学特征并筛选。为了研究影像组学特征的稳定性，团队使用了Logistics回归模型和随机森林模型对筛选的特征分别进行建模和验证。结果发现，6个筛选出的二阶特征在两种不同分类器中均表现出良好的预测价值。在外部测试队列中，Logistics回归模型的AUC为0·97(95%CI 0·83-1·0), 敏感性 1·0, 特异性0·89；随机森林模型的AUC为0·92 (95%CI 0·67-1·0),敏感性 0·75, 特异性1·0。随后，研究又纳入了2月20日-28日新出院的6名患者，利用已建立的影像组学模型可以正确预测所有6名患者的住院时间。
东南大学
2021-04-10
多模态医学影像智能协诊系统TPAID
中试阶段/n该项目主要针对开源CT 医学影像数据和多中心合作单位提供的多模医学影像数据，采用人工智能技术和自主研制的深度学习算法对心脏左心室、肿瘤等CT 影像数据进行全自动分割，验证了所研制算法在该项目计算机辅助肿瘤智能诊断应用中的有效性，为项目产业化实施奠定了方法基础。成果的先进性或独特性：针对不同类型的医学影像感知设备，设计针对性强的机器学习智能算法；国内同类研究中首次采用“双盲评估+验证”的科研方法对影像数据进
武汉大学
2021-01-12
基于新一代测序的生物信息云平台及其在科研和医疗健康领域的应用
1 项目简介本项目建立的生物云平台，以基于 Web 的方式提供服务，用户可以轻松快速获取服务，国内外普遍缺乏成熟的技术，标准和平台。我们首次把独具特色的机器学习模型预测算法与最新的高通量测序方法（ non-polyA RNA-seq） 相结合。我们的研究对象为长链非编码 RNA（ non-PolyA），目前国际上还很少有人通过高通量测序技术对疾病的 lncRNA 进行全面预测分析和功能分类。随着测序速度不断提高，测序成本不断降低，本项目将来可以发展为面向人民大众的个性化医疗服务的平台。 图 1 生物医学信息云平台的产业化方向 http://www.incrna.org图 2 生物医学信息云平台的应用程序一览 http://bioinfo.life.tsinghua.edu.cn/serve 本项目使用的核心技术“基于整合性生物信息云计算和新一代测序技术（ incRNA） 的非编码基因组疾病（如癌症）检测技术平台”已经通过软件查新认证（ 20121022044750914）。正在准备申请国家版权局软件著作权登记证书。2 效益分析（ 1）随着新一代高通量测序技术的发展，生物信息数据爆炸式增长，数据解读成为生物医学研究和临床应用的巨大问题，我们团队依托清华大学生命学院鲁志实验室在生物信息学，尤其是在 lncRNA 领域的技术专长开发的云计算平台将为广大科研工作和和临床用户提供可靠的数据分析云服务，提高他们的科研效率，为科学的发展做出贡献。 （ 2）我们团队通过与中国人民解放军总医院，上海肝胆医院等十多家临床单位的合作，将为鉴定癌症的早期诊断和药物治疗提供新的靶点，这不仅会增强中国基础临床科学的发展，通过临床应用还会为病患者带来癌症早期诊断、健康管理等个性化医疗服务，这将具有广泛的社会效益。 （ 3）通过我们打造高通量测序数据分析云计算平台和开展以癌症早期检测为主要内容的个性化医疗服务，将为中国培养一批高水平的生物信息数据分析人才，这将增强中国在生物信息学方面的实力。
清华大学
2021-04-13
云式除尘系统
云式除尘技术是一项将云物理过程同旋转流体相结合的技术，经王博教授团队历时七年研发而成。在空气净化过程中，只需要很少量的水，不需要任何滤料，不会产生二次污染。云式除尘技术从大自然中获得灵感，模拟自然界的成云过程，构建过饱和水汽环境，水汽以细颗粒物作为凝结核，使颗粒发生合并、团聚等微物理过程，并通过特殊设计的多转子旋转流体技术实现PM2.5的高效去除。技术特点：云式除尘技术对粉尘的去除率可达到99.9%，PM2.5去除效率可以达到95%以上。
兰州大学
2021-04-14
智能云光伏
“智能云光伏”是机器人技术、物联网技术、大数据技术和云计算技术在太阳能光伏发电生产中的综合运用，目标是将光伏电站的PR值提高15%以上，以提高光伏电站生产效率。
一、项目分类
显著效益成果转化
二、成果简介
1、 研发背景
太阳能是绿色环保的可再生能源，太阳能光伏发电产业蓬勃发展，中国光伏装机量已经达到了近70GWp，预计2020年，全球装机量达到540GWp。传统的人工光伏电站运维方式已经不能满足产业的发展需要，为了提高电站的生产水平，降低运维成本，必须实施智能化、无人化的光伏电站维护技术。
2、 技术说明
“智能云光伏”是机器人技术、物联网技术、大数据技术和云计算技术在太阳能光伏发电生产中的综合运用，目标是将光伏电站的PR值提高15%以上，以提高光伏电站生产效率。
采用智能电站运维机器人完成对太阳电池组件表面的清洁和缺陷检查，相比人工方式，可提高清洁水平，极大程度的减少水资源的使用，且降低30%左右的成本；
采用组件级别的电站运行数据的采集和分析系统，分析电站的运行性能瓶颈、预警潜在故障，提高电站的可靠性；
借助于智能云光伏技术，可极大的降低分布式光伏电站的运维成本。
3、 合作意向
太阳电池组件厂智能组件
大型光伏电站的运维与性能评估
分布式光伏电站的集中管理和低成本化
国家光伏扶贫工程
南开大学
2022-08-11
居民健康管理云
1 成果简介清华大学研发的居民健康管理平台结合了清华大学的云计算技术和中国医院协会健康管理专委会的优质医疗资源，目前已经在河南、四川等地开展了多项服务和部署，获得了当地卫生局和民众的好评。该平台可以根据用户需求进行修改和定制，平台数据可委托清华大学信息技术研究院数据托管中心进行第三方可信托管，也可以集成数据和服务帮助用户定制私有云解决方案，同时提供专业医疗机构的健康管理委托代管服务。 本平台的基础功能包括：健康档案管理、健康监测、健康评估、饮食管理和运动管理等。同时提供一站式平台服务全托管、半托管、单独运营支持等服务2 应用说明该产品主要功能为创建与管理健康档案、实时健康监测、健康评估、饮食管理和运动管理等。让使用者在全面了解自身健康的同时，推出合理的、个性化的健康管理方案。同时开放第三方开发接口，支持即插即用 API， 支持云审计、安全、隐私策略，支持第三方数据托管，第三方健康管理服务托管。
清华大学
2021-04-13
云视讯分体终端
产品详细介绍
北京会畅教育科技有限公司
2021-08-23
翰博尔云
产品详细介绍
功能丰富多样
整个平台采用分布式部署，一个平台可以管理多台录制、直播服务器；支持多终端访问，集直播课堂、资源录制、资源管理、巡课、权限管理等功能于一体，为学校实现直播、点播、录制提供一站式服务。
层级功能明确
具有首页、个人空间和管理空间三大核心功能模块，个人空间支持资源管理、在线直播、文档上传、课件下载等；管理空间具有云课程、教室管理、直播课堂、课件管理、系统维护、权限管理等功能，支持数据库扩展。
权限配置灵活
支持对象管理、访问管理、操作管理等功能，可按对象和角色配置数据访问权限和功能应用权限；支持设置多种视频课件和课程状态，可对视频课件和课程进行公开、发布、冻结、共享，并设置相关权限。
一键点播直播
无需安装其它插件，即可点播课件，观看直播。观看直播时可自由选择直播服务器，设置画面观看的布局（单画面、双画面、三画面），并支持语音和文字评论。
统一课件管理
可按教室、课程进行管理，方便用户管理大批量课程与资源；其中按课程管理视频课件，可分为“我的视频”和“他人视频”，方便整合同一门课程下不同教师录制的视频资源；具有课程分享和收藏功能。
支持批量管理
强大的基础数据后台管理，可支持用户、课程、教室、部门等基础数据的批量导入导出功能；支持批量录制，用户可批量选择教室、设定录制时间、选择录播模式、设置直播码流，并可进行批量录制预览功能；支持网页批量下载视频课件。
支持资源管理
提供课表管理模块，实现自动和手动录制直播；支持网络课堂管理功能，可添加多功能教学终端，创建网络课堂，并可管理网络课堂，实时监控网络课堂的连接状态。
可支持移动端
支持IOS、安卓APP下载观看直播和点播，且支持扫码观看。
北京翰博尔信息技术股份有限公司
2021-08-23