论文粗读一：两篇医学相关的论文

Edge deep learning for neural implants: a case study of seizure detection and prediction.
神经植入物的边缘深度学习：癫痫发作检测和预测的案例研究。
摘要：
提供实时神经活动分类和控制的植入式设备越来越多地用于治疗神经系统疾病，例如癫痫和帕金森氏病。分类性能对于识别适合治疗作用（例如神经刺激）的大脑状态至关重要。但是，在离线研究中显示出希望的高级算法，尤其是深度学习（DL）方法，尚未在资源受限的神经植入物上部署。在这里，我们设计并优化了三种常用架构的嵌入式DL模型，并在癫痫检测案例研究中评估了它们的推理性能。设计了深度神经网络（DNN），卷积神经网络（CNN）和长短期记忆（LSTM）网络来对发作，发作，发作，发作和发作进行分类。和CHB-MIT头皮EEG数据库的发作期。经过迭代模型压缩和量化后，将算法部署在通用的现成微控制器上。对推理敏感性，误报率（FPR），执行时间，内存大小和功耗进行了量化。对于癫痫事件检测，DNN，CNN和LSTM模型的灵敏度和FPR（h-1）分别为87.36％/ 0.169、96.70％/ 0.102和97.61％/ 0.071。预测癫痫发作的预警也是可行的。LSTM模型以最大的功耗为代价实现了最佳的整体性能。DNN模型实现了最短的执行时间。CNN模型在最小的内存和平衡的性能和功耗方面显示出优势。实施的压缩和量化可显着节省功耗和内存，而精度下降小于0.5％。Edge DL模型获得的性能可与许多之前没有时间或计算资源限制的实现相媲美。通用微控制器可以提供所需的内存和计算资源，而模型设计可以迁移到ASIC进行进一步优化。结果表明，边缘DL推理是未来神经植入物改善分类性能和治疗效果的可行选择。©2021 IOP Publishing Ltd. 通用微控制器可以提供所需的内存和计算资源，而模型设计可以迁移到ASIC进行进一步优化。结果表明，边缘DL推理是未来神经植入物改善分类性能和治疗效果的可行选择。©2021 IOP Publishing Ltd. 通用微控制器可以提供所需的内存和计算资源，而模型设计可以迁移到ASIC进行进一步优化。结果表明，边缘DL推理是未来神经植入物改善分类性能和治疗效果的可行选择。
链接：
http://www.ncbi.nlm.nih.gov/pubmed/33794507
http://dx.doi.org/10.1088/1741-2552/abf473

Artificial Intelligence in Hypertension: Seeing Through a Glass Darkly.
高血压中的人工智能：黑暗地透视玻璃。
摘要：
尽管在过去的一百年里有有效的药物和持续的研究工作，高血压仍然是全世界最大的可改变的死亡原因。高血压需要可帮助减轻疾病总体负担的变革性解决方案。在过去的十年中，对我们的日常生活产生了重大影响的人工智能和机器学习可能是实现这一转变的途径。但是，医疗保健中的人工智能仍处于起步阶段，要实现其潜力还需要克服许多挑战。在这篇综述中，我们提供了以人工智能和机器学习为中心的以临床医生为中心的观点，这些观点适用于医学和高血压。我们关注阻碍该技术在临床护理中实施的主要障碍，并描述推动潜在解决方案的努力。目前，迫切需要临床和科学专业知识与算法创新协同工作，然后进行严格的验证和审查，以实现针对人工智能的高血压和其他慢性疾病医疗保健的希望。
链接：
http://www.ncbi.nlm.nih.gov/pubmed/33793339
http://dx.doi.org/10.1161/CIRCRESAHA.121.318106
评论：
这篇更类似一个综述，中心大意就是说，人工智能可以在高血压领域做出一些贡献