XiaoMi-AI文件搜索系统
World File Search System放射科
深度学习模型与放射科专家合作对脑肿瘤进行分类
摘要：大脑由称为神经元的神经细胞组成，是神经系统的中心。神经细胞通过相互作用而快速异常生长，这种现象被称为脑瘤。未确诊或延迟诊断的脑瘤会导致死亡。虽然这取决于经验，但手动诊断和分类脑瘤对医生来说是一项挑战。基于人工智能的计算机系统可以利用硬件技术的发展和日益增加的数据量帮助医生检测脑瘤。本研究提出了一种基于深度学习的系统，使用预先训练的 EfficientNet-B0 模型将脑 MRI 图像分类为肿瘤或正常。我们的放射科医生验证了一个包含 3000 张脑 MRI 图像的公共数据集。该数据集分为 70% 训练、20% 验证和 10% 测试。在训练后的测试阶段，预先训练的 EfficientNet-B0 模型实现了高性能，准确率为 99.33%，灵敏度为 99.33%，F1 分数为 99.33%。此外，在测试图像的评估中，我们的放射科专家检查了 Grad-CAM 方法获得的热图。评估结果表明，预训练的 EfficientNet-B0 深度模型在其预测中选择了正确的焦点区域，并且由于其可解释的结构，可用于临床肿瘤检测。关键词：脑肿瘤、MRI、深度学习、EfficientNet、Grad-CAM。
放射科医生训练的 AI 模型，用于识别不理想的胸部
五种用于识别导致 CXR 不理想情况的不同原因的 AI 模型具有很高的灵敏度、特异性和准确性，可用于识别未包括的解剖结构、不当暴露、大量患者旋转、低肺容量以及遮挡肺部或纵隔可见性的上覆解剖结构造成的不理想情况。所有 5 种 AI 模型的性能在不同患者年龄组、性别和放射线投影中保持一致。使用来自我们内部多机构联盟的 CXR 数据，我们能够从端到端训练五个 AI 模型。这一过程包括数据识别、报告整理、参考数据标记标准，以便在 3278 个 CXR 子集上进行模型训练和测试，整个过程在不到 8 周的时间内没有任何数据科学家或工程师的帮助。同时，我们能够将训练数据集限制在三个站点，并在其余两个站点的 CXR 上建立“本地”通用性。
普通放射科（儿童患者）
我们与盖伊医院和圣托马斯医院合作，成立了“国王健康伙伴学术健康科学中心”。我们共同努力为患者提供尽可能最好的护理，因此您可能会发现我们邀请您到盖伊医院或圣托马斯医院就诊。为了确保您遇到的每个人都能获得有关孩子健康状况的最新信息，我们可能会在医院之间共享有关孩子的信息。
放射科医生对诊断 AI 系统的使用
摘要 虽然诊断 AI 系统已经应用于医疗实践，但医生如何将其嵌入诊断决策中仍不清楚。本研究探讨了放射科医生如何以不同的方式使用诊断 AI 系统，以及如果 AI 评估确认或否定放射科医生自己的判断，它们将在此过程中发挥什么作用。该研究利用来自一所大学医院中风诊断 AI 系统的启示性案例研究的丰富定性数据，阐述了三个意义建构过程如何围绕确认和否定 AI 评估展开。通过特定情境的意义要求、意义赋予和意义破坏，放射科医生形成了独特的 AI 系统使用模式。该研究表明，诊断自我效能影响放射科医生参与的三个意义建构过程。在得出六个命题时，对诊断 AI 系统在医疗实践中的意义建构和使用的解释为未来的研究铺平了道路。
放射科工作人员 1 培训学习指南
模块 1 1 解释放射性、放射性物质和辐射产生装置之间的区别。 2 识别用于测量放射性的单位。 3 解释非电离辐射和电离辐射之间的区别。 4 识别四种类型的电离辐射。 5 说明辐射单位 rem 的含义。 6 解释职业和非职业辐射剂量之间的区别。 7 识别非职业源的平均年辐射剂量。 模块 2 1 解释急性和慢性影响之间的区别。 2 说明与产前辐射剂量相关的潜在影响。 3 识别与职业辐射剂量相关的主要风险。 4 将辐射的职业风险与工业和日常生活中的健康风险进行比较。 5 说明 ALARA 计划的 BNL 管理政策。 6 应用时间、距离和屏蔽的概念来减少辐射剂量。模块 3 1 确定《普莱斯-安德森修正案》（PAAA）和 10CFR835 关于 BNL 放射防护的目的和范围。 2 确定 BNL 政策的目的和范围，即您有关停止不合规放射工作的责任和权限。 3 说明 BNL 放射意识报告 (RAR) 计划的目的。 模块 4 1 确定 DOE 辐射剂量限值和 ACL 2 确定行政控制级别 (ACL) 的目的 3 确定 BNL ACL 4 确定您在遵守剂量限值或 ACL 方面的责任。 模块 5 1 说明热释光剂量计的用途并确定其正确用途。 2 说明您所在部门内佩戴的其他剂量计的用途并确定其正确用途。 3 说明在 BNL 获取您的剂量记录的方法。 4 确定您报告从其他设施收到的剂量的责任。 5 确定您报告涉及使用放射性同位素的医疗/疗法的责任。模块 6 1 识别在 BNL 采购放射性物质的过程。 2 说明标记和/或标签放射性物质的要求。
ACR 放射科住院医师培训项目健康课程
背景：医疗失误相当复杂，对该主题的深入分析已导致从指责文化转变为促进无指责环境的安全文化。沿着这一思路，质量改进的概念已获得发展势头，组织通过持续流程实施系统以防止发生错误，该流程不断评估潜在问题并提出新方法以确保问题得到纠正。创建多层系统控制可以降低故障/错误发生的可能性，但没有一个系统是万无一失的。尽管研究发现绝大多数医疗失误是由系统性问题而非个人因素引起的，但人为因素仍然与医疗失误有关。詹姆斯·里森 (James Reason) 提出了“瑞士奶酪”人为失误陷阱模型，将人为失误比作瑞士奶酪上的洞。该模型解释道，尽管危险和事故之间有多层防御措施，但每层都存在缺陷（漏洞），一旦这些缺陷出现，就可能导致事故发生。
放射科医生 - 男/女
HIA Bégin 酒店位于圣芒德 (94160)，紧邻 Bérault 站（地铁 1 号线）和 Vincennes 站（RER A）。福利： - 每年 45 天假期； - 支持NAVIGO Pass； - 每月15欧元的互助保险。年轻而充满活力的团队氛围极佳。
ai-corona：用于胸部 CT 扫描中 COVID-19 诊断的放射科医生助理深度学习框架
1 伊朗德黑兰基础科学研究所 (IPM) 计算机科学学院 2 伊朗德黑兰沙希德贝赫什提大学医学科学与技术研究所 3 伊朗德黑兰沙希德贝赫什提大学物理系伊本西纳多学科实验室 4 伊朗德黑兰沙希德贝赫什提大学物理系 5 伊朗德黑兰伊朗科学技术研究组织 (IROST) 电气工程与信息技术系 6 伊朗德黑兰沙希德贝赫什提大学计算机科学与工程系 7 伊朗德黑兰沙希德贝赫什提医科与健康服务大学国家结核病和肺部疾病研究所 (NRITLD) 气管疾病研究中心 8 伊朗德黑兰沙希德贝赫什提医科与健康服务大学国家结核病和肺部疾病研究所 (NRITLD) 慢性呼吸道疾病研究中心9 伊朗德黑兰沙希德贝赫什提医科大学国家结核病和肺部疾病研究所 (NRITLD) 病毒学研究中心 10 伊朗设拉子医科大学放射学系医学成像研究中心
放射科人工智能的成功背后隐藏着失败
引言自2005年Rubin等人发表了关于从CT扫描中检测肺结节的论文[1]以来，关于计算机算法表现优于放射科医生的报道一直存在。当时，这些技术被称为计算机辅助诊断，可以将其视为现在被广泛称为人工智能（AI）的某种前身。过去5年，硬件技术的进步促进了具有数百万个参数的深度神经网络的训练，成倍地加快了AI出版的速度。然而，和其他科学领域一样，AI在放射学领域的成功会被大张旗鼓地发表和宣传，而失败则不会被讨论或公开。事实上，大多数AI失败都是从个人经历中发现的，或者在社交媒体上以推文或博客文章的形式分享时发现的。在本文中，我们讨论了报告人工智能在放射学领域的成功时经常遇到的一些陷阱，从不同的角度来看，这些陷阱可能会被视为失败。
人工智能是放射科医生的新朋友吗？综述文章
信息技术和数据处理的快速发展导致了人工智能 (AI) 等新型工具的形成。“AI” 一词包括利用机器模仿、扩展甚至增强人类知识的技术研究和创新 [1] 。目前，AI 在放射学中的应用，特别是机器学习 (ML)，已成为临床实践中的现实。AI 已成为放射学各个方面的一项雄心勃勃的举措 [2] 。成像和计算机的发展协同促进了 AI 在不同放射成像任务中的预期应用快速上升，例如风险评估、识别、诊断、预后、治疗反应和复发风险，以及多组学疾病揭示 [3] 。放射学不同于 AI 算法的其他图像识别应用。计算机断层扫描或磁共振可以包含数千张图像，而单张图像则不然，这增加了所需计算算法的复杂性 [4] 。放射组学是计算机辅助诊断的延伸，已被确定为将图像转换为可挖掘数据。放射组学是一个复合的多步骤过程，通过整合涉及临床、分子、成像和基因组数据的各种测试的信息来帮助临床决策和预后预测 [5] 。人工智能方法的一些内部和外部缺点阻碍了其在临床领域的实施 [2] 。