案例检索
找到可借鉴的 AI 路径
从真实业务问题出发，筛选与你的行业、规模和场景更接近的案例。
全部案例
共 2287 条，当前第 34 / 191 页
其他行业 · AI应用
从细胞图像预测转移性黑色素瘤风险
研究人员开发了一种结合无监督深度学习和有监督机器学习的AI算法，用于预测黑色素瘤是否会发生侵袭性转移。该模型分析单个黑色素瘤细胞的延时图像，识别与高转移潜力相关的细微细胞行为和物理特性，这些特性人眼无法察觉。早期检测有助于医生制定更有效的治疗方案。模型分析了超过170万张单个黑色素瘤细胞的延时图像，并在小鼠身上成功验证：高转移细胞在动物体内扩散，而低转移细胞则没有。该研究为从组织样本预测疾病驱动机制提供了框架。
德克萨斯大学西南医学中心 · 未披露
更新于 2026年7月
其他行业 · AI应用
GPU上“几乎无限大小”的大脑模拟
萨塞克斯大学的研究人员面临模拟大规模脉冲神经网络的挑战，这通常需要超级计算机，因为其内存需求巨大。为此，他们开发了一种GPU加速方法，通过程序化生成连接性和突触权重，消除了存储整个大脑模型（可达TB级）的需求。结果，他们在单个NVIDIA TITAN RTX GPU上成功模拟了猕猴的视觉皮层，包含413万个神经元和242亿个突触。这一创新不仅使模拟速度比之前的超级计算机模型提高了35%，而且使大规模大脑模拟更加普及，研究人员可以使用标准游戏PC进行先进的神经科学和AI研究。
萨塞克斯大学 (University of Sussex) · 未披露
更新于 2026年7月
其他行业 · AI应用
通过血液检测预测侵袭性前列腺癌
科学家开发了一种名为细胞外囊泡指纹预测评分（EV-FPS）的深度学习诊断平台，仅需一滴血即可识别侵袭性前列腺癌。该模型通过分析血液中数百万个癌细胞纳米颗粒的信息，学习识别侵袭性前列腺癌的独特指纹，使男性能够避免痛苦的活检。该检测方法通过大学衍生公司Nanostics Inc.推向市场。与现有最常用检测相比，其识别侵袭性前列腺癌的准确率提高了40%，灵敏度更高，可减少漏诊风险，每年有望在北美消除多达60万次不必要的活检，并减少高达50%的不必要前列腺癌治疗。
阿尔伯塔大学 / Nanostics Inc. · 未披露
更新于 2026年7月
其他行业 · AI应用
用于语音-噪声分离的深度学习助听器
研究人员开发了一个GPU加速的深度学习程序，能够将人类语音从背景噪声中分离出来，并分别调整各自的音量。该程序训练了一个深度神经网络，学习了85个区分语音和噪声的特征，能够分析嘈杂的音频样本，将时频单元分类为语音或非语音，并过滤掉噪声。这解决了助听器用户的主要困扰。使用TensorFlow、cuDNN、CUDA和NVIDIA TITAN X等技术，参与者的语音理解能力从10%提高到近90%，听力受损者在使用该程序后，在理解嘈杂句子方面甚至优于正常听力者。
俄亥俄州立大学 (Ohio State University) · 未披露
更新于 2026年7月
其他行业 · AI应用
乳腺癌手术中的实时癌细胞检测
研究人员开发了一种结合光学相干显微镜（OCM）成像与深度学习的诊断技术，能够在手术过程中实时区分癌细胞和良性细胞。该技术旨在为外科医生提供切除肿瘤周围组织边缘的即时反馈，从而减少因术后实验室结果发现残留癌细胞而需要进行二次手术的高比例。该技术使用深度学习模型、TensorFlow、cuDNN和NVIDIA TITAN X GPU实现，准确率超过90%，有望降低乳腺癌手术的成本和患者风险。
理海大学 (Lehigh University) · 未披露
更新于 2026年7月
其他行业 · AI应用
AI赋能医学影像研究平台（XNAT 1.8）
XNAT是一个广泛使用的开源影像研究信息学平台，通过集成NVIDIA Clara Imaging框架，创建了端到端的AI模型开发平台。该平台使用户能够组装影像数据队列，利用NVIDIA Clara Train进行AI辅助标注和分割，从NVIDIA NGC安装预训练模型，并使用标注数据集训练新模型。这加速了AI模型的创建，为临床医生和数据科学家提供了全面的工具集，并加强了数据科学与临床团队之间的协作。
XNAT、NVIDIA、Radiologics、ICR影像信息学组 · 未披露
更新于 2026年7月
其他行业 · AI应用
用于MRI前列腺癌分割的AI工具
NVIDIA与NIH研究人员合作开发了一种深度学习工具，通过自动从MRI图像中分割前列腺与周围组织，更好地评估前列腺癌。该工具有助于确定前列腺体积和PSA密度。研究团队使用NVIDIA Clara Train SDK开发了混合2D-3D神经网络的3D深度学习流水线，并在多个医疗中心的数据上进行训练。该工具在DICE评分上达到0.922，与经验丰富的放射科医生之间的评分者间DICE评分0.919相当，且无需额外训练即可在多个公共数据集上表现优异。
NVIDIA & 美国国立卫生研究院（NIH） · 未披露
更新于 2026年7月
其他行业 · AI应用
用于阿尔茨海默病预测的深度学习流水线
Konica Minolta HLUS实验室在Saman Sarraf领导下，利用静息态功能磁共振成像（rs-fMRI）数据预测阿尔茨海默病。研究人员开发了一套端到端的深度学习流水线，对原始数据进行预处理，并使用NVIDIA DIGITS训练基于LeNet-5架构的两层卷积神经网络。通过五折交叉验证，该方法在区分阿尔茨海默病患者与正常对照组方面达到了96.85%的平均准确率，展现出高可重复性和一致性，并获得了最佳论文奖。未来“DeepAD”项目计划通过增加数据和优化预处理进一步提高准确率。
Konica Minolta HLUS实验室（Saman Sarraf） · 未披露
更新于 2026年7月
其他行业 · AI应用
AI增强放射学平台（NVIDIA Clara）
NVIDIA Clara是一个开放、可扩展的计算平台，用于构建和部署医学影像应用。该平台能够生成以前无法实现的3D电影级人体渲染图；将MRI扫描时间缩短至标准时长的四分之一，并减少造影剂用量；将颗粒状的2D超声心动图转化为清晰的3D图像，使解读更直观。这些功能显著提升了医学影像的效率和诊断准确性。
NVIDIA · 未披露
更新于 2026年7月
其他行业 · AI应用
GPU加速的天体物理建模
普林斯顿大学的天体物理学家面临模拟银河系复杂区域的挑战，因为传统计算方法存在局限性。为此，他们采用了NVIDIA GPU，显著增强了计算能力。这种方法使研究人员能够运行细节程度比以往高十倍的模拟，从根本上改变了模型动态。结果，新模拟为银河系外围气体行为提供了突破性见解，推进了我们对星系形成和演化的理解。GPU技术的集成不仅提高了研究质量，还为天体物理学探索开辟了新途径。
普林斯顿大学 (Princeton University, Evan Schneider) · 未披露
更新于 2026年7月
其他行业 · AI应用
基于深度学习的超分辨率显微镜去噪（PSSR）
研究人员开发了一种基于AI的显微镜方法——点扫描超分辨率（PSSR），以提高显微成像的速度和质量。一个基于ResNet的U-Net卷积神经网络在半合成数据上训练，其中高分辨率图像被计算退化（“劣化”）以模拟其低分辨率对应物。然后模型学习恢复欠采样图像。
索尔克研究所、德克萨斯大学奥斯汀分校、fast.AI等 (Salk Institute, University of Texas at Austin, fast.AI, et al.) · 未披露
更新于 2026年7月
其他行业 · AI应用
提高放射科医生乳腺癌筛查表现的AI模型
研究人员开发了一个深度卷积神经网络（CNN）来分类乳腺癌筛查检查。为了克服高分辨率乳腺X光图像的GPU内存限制，他们采用了一种混合方法：一个22层ResNet处理整个图像，而一个ResNet-50对局部补丁进行分类。来自补丁模型的热图与原始图像拼接，使模型能够同时利用全局和局部特征进行预测。该模型在超过100万张图像的自定义大数据集上训练。
纽约大学数据科学中心与纽约大学朗格尼医学中心 (NYU Center for Data Science & NYU Langone Health) · 未披露
更新于 2026年7月