XiaoMi-AI文件搜索系统
World File Search System放射科
如何引用本文 Goyal S、Sakhi P、Kalidindi S 等人。（2024 年 12 月 31 日）印度放射科医生和住院医生对放射学人工智能的知识、态度、看法和实践：一项全国多中心研究。Cureus 16(12)：e76667。DOI 10.7759/cureus.76667
鉴于这些最新进展，本调查的目的是评估放射科医生和住院医生对放射学人工智能技术的知识、认识和使用情况，了解他们对人工智能在该领域的潜在和未来影响的看法，并确定教育差距，以评估将以人工智能为重点的教育和培训纳入医学课程的必要性，特别关注放射学。本研究的目的是评估印度放射科医生和住院医生目前对放射学人工智能的知识、态度、看法和实践。本研究的更广泛影响包括为政策制定者、教育工作者和医疗保健专业人员提供信息，使他们能够就人工智能在放射学实践和教育中的使用做出明智的决定，这与 Chen 等人最近的研究一致。[7] 。
AI-KOA – 借助人工智能更好地诊断膝骨关节炎
超过 700,000 名丹麦人患有膝关节骨关节炎，导致医疗服务消耗增加、工作和功能能力下降、病假增多。对放射学检查的需求不断增长 - 以及由此给放射科医生带来的资源压力 - 意味着需要对放射科医生必须分析的图像进行持续的优先排序。在实践中，这意味着膝关节X光片通常仅由转诊医生评估，而转诊医生可能阅读X光片的经验有限。其结果是诊断质量发生变化，并且每年增加约。增加 10% 的 MRI 和 CT 扫描，其中许多都是不必要的。
基于 122,969 例筛查检查的回顾性数据，探讨在乳房 X 光检查屏幕阅读中使用人工智能的可能策略
摘要 目的 人工智能 (AI) 在乳房 X 线检查的回顾性数据上显示出良好的效果。然而，很少有研究探讨人工智能和放射科医生在屏幕阅读中结合的不同策略可能产生的后果。方法 2009 年至 2018 年期间，挪威乳腺筛查中心共进行了 122,969 次数字筛查检查，由人工智能系统进行回顾性处理，该系统对检查进行 1-10 评分；1 表示恶性肿瘤怀疑程度低，10 表示恶性肿瘤怀疑程度高。将结果与筛查结果信息合并，并用于探索人工智能和放射科医生结合的 11 种不同场景的共识、回忆和癌症检测。结果 经过独立双重阅读，回忆率为 3.2%，筛查发现癌症为 0.61%，间隔癌症为 0.17%，并作为参考值。在人工智能评分 1 - 5 分的检查被视为阴性而评分 6 - 10 分的检查导致标准独立双重读取的情况下，估计召回率为 2.6%，筛查发现癌症为 0.60%。当评分 1 - 9 分被视为阴性而评分 10 分进行双重读取时，召回率为 1.2%，筛查发现癌症为 0.53%。在这两种情况下，如果在筛查中检测到共识选择的间隔癌症，筛查发现癌症的潜在率可能高达 0.63% 和 0.56%。在前一种情况下，屏幕阅读量将减少 50%，而后一种情况将减少 90%。结论人工智能和放射科医生的几种理论场景有可能减少屏幕阅读量，而不会显著影响癌症检测。必须在前瞻性研究中评估对召回率和间隔癌症的可能影响。要点 • 不同场景下人工智能联合放射科医生可减少50%的读屏量，屏幕癌症检出率在0.59%-0.60%之间，而标准独立双读后为0.61% • 人工智能联合放射科医生可在乳腺筛查中高精度识别阴性筛查检查，降低间隔癌的发生率
用于多发性硬化症患者脑部疾病活动的计算机辅助评估的临床兼容工作流程
在过去的 10 年中，已批准用于治疗多发性硬化症 (MS) 局部炎症过程的疾病调节药物的数量从 3 种增加到 10 种。这种广泛的选择为个性化医疗提供了机会，目标是使每个患者都无需进行临床和放射学活动。这种新模式需要优化纵向 MRI 上新 FLAIR 病变的检测。在本文中，我们描述了一个完整的工作流程 - 我们开发、实施、部署和评估的流程 - 以便于在 MS 患者的纵向 MRI 上监测新 FLAIR 病变。该工作流程旨在供法国的医院和私人神经科医生和放射科医生使用。它由三个主要组件组成：(i) 一个软件组件，允许自动且安全地匿名化并将 MRI 数据从临床图片档案和通信系统 (PACS) 传输到处理服务器（反之亦然）； (ii) 一个全自动分割核心，可以从 T1 加权、T2 加权和 FLAIR 脑部 MRI 扫描中检测出患者的局部纵向变化，以及 (iii) 一个专用的网络查看器，为放射科医生和神经科医生提供新病变的直观可视化。我们首先介绍这些不同的组件。然后，我们在 54 对纵向 MRI 扫描上评估了该工作流程，这些扫描由 3 位专家（1 位神经放射科医生、1 位放射科医生和 1 位神经科医生）在使用和不使用所提出的工作流程的情况下进行分析。我们表明，我们的工作流程为临床医生在检测新的 MS 病变方面提供了宝贵的帮助，无论是在准确性方面（不使用工作流程时每位患者和每位专家检测到的病变平均数量为 1.8，使用工作流程时为 2.3，p = 5.10 − 4 ），还是在专家投入的时间方面（平均时间差 2 ′ 45 ′′，p = 10 − 4 ）。检测到的病变数量的增加对 MS 患者被归类为稳定或活跃有影响，即使是最有经验的神经放射科医生也是如此（不使用工作流程时平均敏感度为 0.74，使用工作流程时平均敏感度为 0.90，无差异 p 值 = 0.003）。因此，这对 MS 患者的治疗管理有潜在影响。
医学图像人工智能 V1
最有前景的医疗创新领域之一是人工智能 (AI) 的应用，主要是在医学成像领域。随着数据量的不可逆转的增长，以及使用人工智能识别人眼可检测或不可检测的发现的可能性，放射学现在正从主观感知技能转变为更客观的科学。这些技术具有以下能力：感知、理解、行动和学习。人工智能本质上是一种智能解决方案，用于汇编和分析数据，考虑比人类更多的变量，对新数据进行分类，预测趋势并最终找到解决方案。它可能有多种应用，从图像采集和处理到辅助报告、后续计划、数据存储、数据挖掘等等。由于应用范围广泛，人工智能正在极大地影响放射科医生的日常生活。放射科医生是医学数字时代的前沿，他们可以引导“人工智能引入医疗保健”。然而，它们不会被取代，因为放射学包括诊断沟通、考虑患者的价值观和偏好、医学判断、质量保证、教育、政策制定和介入程序。人工智能提供的更高效率将使放射科医生能够执行更多增值任务，对患者更加可见，并在多学科临床团队中发挥重要作用。1
胎儿脑MRI中的自动心室肿大检测
摘要：在这项研究中，我们使用深度学习模型（DL）开发了一种自动化的工作流，以测量胎儿脑MRI线性线性的侧心室，随后将其分类为正常或心室肿瘤，将其定义为thalamus and perlex perlex perlex peles anf the Teplect and dice。为实现这一目标，我们首先使用公共数据集（FETA 2022）训练了基于UNET的深度学习模型，将胎儿的大脑分为七个不同的组织类别（FETA 2022）。然后，开发了自动工作流，用于在丘脑和脉络膜丛的水平上进行侧心测量。测试数据集包括22例正常和异常T2加权的胎儿脑MRI。将通过我们的AI模型进行的测量与一般放射科医生和神经放射科医生进行的手动测量进行了比较。AI模型将95％的胎儿脑MRI病例正确分类为正常或心室肿瘤。它可以在95％的病例中测量横向心室直径，而误差小于1.7 mm。在AI与普通放射学家中，测量值之间的平均差异为0.90 mm，AI与神经放射学家中的平均差异为0.82 mm，这与两位放射科医生之间的差异相当，为0.51 mm。此外，AI模型还使研究人员能够创建3D重建的图像，该图像比2D图像更好地表示实际解剖结构。执行手动测量时，它也可以仅以一个切割而不是两个。相比之下，普通放射学家与神经放射学家之间的差异在统计学上是显着的（p = 0.0043）。一般放射科医生与算法之间的测量差异（p = 0.9827），神经放射科医生和算法之间的测量差异（p = 0.2378）在统计学上并不重要。据我们所知，这是第一项研究，该研究使用基于人工智能方法的3D模型对心室肿瘤进行2D线性测量。本文提出了一种基于多个放射学标准设计AI模型的分步方法。总体而言，这项研究表明，AI可以自动计算胎儿脑MRIS中的侧心，并将其准确地分类为异常或正常。
癌症治疗期间药物引起的间质性肺疾病
1 帕多瓦大学 DiSCOG 和帕多瓦威尼托肿瘤研究所 IRCCS 医学肿瘤学 2； 2 那不勒斯国家癌症研究所 IRCCS Fondazione Pascale 黑色素瘤、癌症免疫治疗和发展治疗学系； 3 米兰大学肿瘤学和血液肿瘤学系，米兰； 4 米兰尼瓜尔达大都会医院血液学、肿瘤学和分子医学科； 5 比萨大学临床和实验医学系临床药理学和药物遗传学系； 6 米兰尼瓜尔达大都会医院放射科； 7 那不勒斯 Buon Consiglio Fatebenefratelli 医院放射科； 8 米兰尼瓜尔达大都会医院肺科； 9 帕多瓦大学医院热带和传染病科，帕多瓦； 10 罗马圣心天主教大学 A. Gemelli 大学医院基金会 IRCCS 肺病学综合手术室； 11 那不勒斯国家癌症研究所 IRCCS Fondazione Pascale 乳腺和胸部肿瘤科； 12 比萨大学医院肿瘤内科 2 组，比萨； 13 都灵坎迪奥洛 FPO-IRCCS 坎迪奥洛癌症研究所放射科； 14 意大利都灵大学外科科学系