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 37 / 191 页
其他行业 · AI应用
基于脑部扫描的预测性阿尔茨海默病诊断
加州大学旧金山分校的研究人员发现，阿尔茨海默病的早期诊断是一个关键挑战，往往发现时已错过有效干预时机。为此，他们开发了一种深度学习算法，分析PET扫描以检测大脑中葡萄糖摄取模式的细微代谢变化。通过在ImageNet数据集上训练卷积神经网络，并用阿尔茨海默病神经影像学倡议（ADNI）的数据进行微调，该算法取得了显著成果。在40名患者的独立测试集中，它在传统诊断前平均六年以100%的敏感性识别出疾病。这一突破使得早期干预成为可能，有可能在发生显著脑损伤之前减缓或阻止疾病进展。
加州大学旧金山分校 · 未披露
更新于 2026年7月
其他行业 · AI应用
将脑电波转化为可理解语音
哥伦比亚大学的研究人员致力于恢复因瘫痪或闭锁综合征等疾病而失去说话能力的患者的沟通能力。他们开发了一种语音神经假体技术，利用深度学习将人类听觉皮层的神经反应转化为可理解的语音。通过在脑外科手术患者收集的数据上训练系统，他们在语音重建中实现了75%的准确率，使计算机生成的声音能够根据大脑活动清晰说出数字。这一创新不仅为受影响患者改善沟通带来了希望，也为未来人与计算机之间更自然的交互铺平了道路。
哥伦比亚大学 · 未披露
更新于 2026年7月
其他行业 · AI应用
高速蛋白质结构预测
长期以来，从氨基酸序列准确预测蛋白质结构一直是生物化学和药物开发领域的难题。为此，哈佛大学的一位研究人员开发了一种基于深度学习的循环几何网络（Recurrent Geometric Network）方法，利用数千种已知蛋白质进行训练。该创新模型计算氨基酸之间的键角，从而以极高的精度组装蛋白质几何结构。该模型不仅实现了高精度，而且运行速度比传统计算方法快一百万倍以上，为蛋白质折叠问题提供了变革性的解决方案。
哈佛大学（Mohammed AlQuraishi） · 未披露
更新于 2026年7月
其他行业 · AI应用
AI驱动的前列腺癌MRI预后
在布莱根妇女医院，研究人员发现了一个关键挑战：使用传统MRI分析方法准确预测前列腺癌患者的肿瘤发展和转移风险。为此，他们开发了一个AI驱动的分割模型，利用先进算法分析前列腺MRI，勾勒肿瘤轮廓并计算其体积。该创新方法使模型准确识别了85%的最具侵袭性肿瘤，并在几秒内完成分析，与人类专家的准确率相当。该技术意义重大，为医生提供了更好的工具来预测患者预后和制定治疗方案，最终改善患者护理和结果。
布莱根妇女医院 · 未披露
更新于 2026年7月
其他行业 · AI应用
合成3D CT图像生成（MAISI模型）
开发了MAISI（医学AI合成成像）基础模型，用于生成高分辨率（512x512x512）的合成3D CT图像以及多达127个解剖类别的相应分割掩码。它通过创建逼真、多样化的图像来解决数据稀缺、标注成本和患者隐私问题，这些图像可用于数据增强、研究和训练，而无需使用敏感的患者数据。该系统使用变分自编码器（VAE）进行压缩，并使用带有ControlNet的潜在扩散模型（LDM）进行生成。
NVIDIA（DLMED研究团队） · 未披露
更新于 2026年7月
其他行业 · AI应用
基于MRI的放射科医生级乳腺癌预测
在纽约大学朗格尼健康中心，研究人员发现了一个关键挑战：从动态对比增强磁共振成像（DCE-MRI）扫描中准确预测乳腺癌，这常导致不必要的活检。为此，他们开发了一个深度学习模型，利用3D卷积深度神经网络集成，在超过14,000次MRI检查上训练，以捕捉指示癌症的时空特征。该创新方法效果显著：AI模型达到了与五位委员会认证放射科医生相当的准确率，与人类评估结合后，诊断精度至少提高5%。此外，该技术有可能将BI-RADS 4类患者的不必要良性活检减少高达20%，最终改善乳腺癌诊断中的患者护理和资源分配。
纽约大学朗格尼健康中心 · 未披露
更新于 2026年7月
其他行业 · AI应用
用于放射治疗计划的3D多器官分割
开发了一个基于NVIDIA Clara Holoscan平台的应用程序，用于从CT扫描中进行3D多器官分割，这是放射治疗计划中关键但耗时的任务。该系统使用基于Transformer的AI模型（UNETR）创建肿瘤和邻近器官的详细3D地图，从而能够规划对健康组织影响最小的最佳放射束轨迹。该系统可部署在NVIDIA Clara AGX开发者套件上。
NVIDIA · 未披露
更新于 2026年7月
其他行业 · AI应用
活人类细胞的预测性3D建模
艾伦细胞科学研究所面临可视化复杂细胞结构的挑战，传统方法无法实现。为此，他们开发了Allen Cell Explorer，这是一个创新的在线门户，利用深度学习生成人类细胞的3D图像。通过在6000多个细胞的数据集上训练模型，该研究所使AI能够基于最少输入（如细胞核位置）预测各种细胞结构的位置。这种开创性的方法用基于实际细胞数据的数据驱动模型取代了过时的教科书表示，显著增强了科学家对细胞组织和行为的理解。该项目标志着细胞生物学的关键进步，利用NVIDIA GPU等先进技术推动了研究边界。
艾伦细胞科学研究所 · 未披露
更新于 2026年7月
其他行业 · AI应用
基于fMRI扫描的实时“读心”
普渡大学的研究人员通过开发一个深度学习模型，解决了从大脑活动中解码视觉体验的挑战，该模型能近乎实时地解读fMRI扫描。团队在超过11小时的fMRI数据上训练卷积神经网络，这些数据来自观看972个视频片段的受试者，从而创建了一个能够重建个体观看视频时所看到内容的系统，甚至包括从未见过的视频。这一创新方法不仅增进了我们对大脑功能的理解，还为研究视觉缺陷提供了重要前景，因为它能将一个个体的发现推广到另一个个体。这项研究可能推动神经科学和辅助技术的发展，最终改善视觉障碍患者的生活质量。
普渡大学 · 未披露
更新于 2026年7月
其他行业 · AI应用
利用生成式AI加速药物发现
Receptor.AI将NVIDIA BioNeMo云API集成到其计算机辅助药物发现（CADD）平台中，以加速蛋白质制备、大规模虚拟筛选、ADME-Tox预测和分子对接等关键任务。针对FADS1蛋白的特定用例，该平台筛选了约43亿个化合物的库，以识别有前景的药物候选物。工作流程使用了AlphaFold进行结构预测、ESM进行蛋白质编码、MegaMolBART生成新分子以及DiffDock进行对接。
Receptor.AI · 未披露
更新于 2026年7月