机构名称：
¥ 1.0
癌症仍然是对人类生命的最显着威胁之一，早期发现特别具有挑战性。放射学成像是识别癌症的主要工具，但早期的迹象通常是微妙的，导致可能遗漏的可治疗癌症（1）。人工智能（AI）具有巨大的承诺，是帮助放射科医生进行癌症检测的强大工具（2）。AI算法在癌症识别，分割和评估中表现出了令人印象深刻的能力（3，4）。然而，这些算法的不透明性质（通常称为其“黑盒”特征）引起了人们对它们的可解释性和临床预测的验证能力的担忧（5）。需要解决一些新出现的挑战，以有效地将AI整合到癌症检测中。在数据策划期间，公开可用的数据集通常受到扫描仪技术和成像协议中的小规模，不完整的标签或可变性的限制，这限制了其适用性（6）。在开发阶段，AI算法在很大程度上取决于专家放射科医生的手动注释，并且当应用于来自不同医院或协议的数据时，其性能可能会下降（7）。此外，当前的AI模型在处理部分或嘈杂标签，管理长尾数据分布以及适应持续学习（8）等问题上遇到了困难（8）。），头颈肿瘤分割（Zhang和Ray），乳腺癌亚型分类（Sun等）和风险因素识别（Dianati-Nasab等人。）和直肠癌生存风险预测（SHU为了增强AI作为可靠和用户友好的工具的临床采用，有必要开发可以与放射科医生协同工作的AI系统，并将人类专业知识和AI的优势结合起来，以改善癌症检测和患者的结果（9）。This Research Topic has curated articles on the applications of AI models, especially the machine learning models of Random Forest (RF), Neural Networks (NN), Bootstrap Aggregating Classi fi cation and Regression Trees (Bagged CART), Extreme Gradient Boosting Tree (XGBoost), and elastic net, and deep learning models of convolutional neural network (CNN), U-Net, ResNet, and multi-head attention fusion,对于脑肿瘤分割的任务（Luque等人），偶然发现了乳房质量分类（Ma等人
社论：放射学癌症诊断的人工智能应用
主要关键词
相关文件推荐
