XiaoMi-AI文件搜索系统
World File Search System放射
人工智能与放射学：应对新冠肺炎难题
为了控制 COVID-19 疫情的蔓延，需要快速检测和诊断。虽然逆转录聚合酶链反应 (RT-PCR) 被用作诊断 COVID-19 的金标准方法，但许多科学家和医生指出，这种技术的变异性、准确性和可负担性存在一些挑战。与此同时，在中国疫情早期用于诊断 COVID-19 的放射学方法被许多人忽视，主要是因为它们的特异性低，难以进行鉴别诊断。然而，放射学方法的实用性不容忽视。事实上，在过去几个月里，印度的医疗顾问和放射科医生一直在使用或建议使用胸部高分辨率计算机断层扫描 (HRCT) 来早期诊断和追踪 COVID-19，特别是对于术前和无症状患者。与此同时，科学家们一直在尝试通过使用基于人工智能 (AI) 的解释模型来改进 COVID-19 诊断和监测的放射学方法。本综述旨在汇编和比较此类成果。为此，我们回顾并介绍了关于使用放射学和人工智能辅助放射学诊断和监测 COVID-19 的最新科学文献，强调了此类技术的优势和局限性。
COVID-19 的放射学发现：人工智能与放射科医生的比较
背景：随着 COVID-19 负担的加重，快速可靠的筛查方法势在必行。胸部 X 光片在快速分诊患者方面起着关键作用。不幸的是，在资源匮乏的环境中，训练有素的放射科医生很少。目的：本研究评估并比较人工智能 (AI) 系统与放射科医生在检测 COVID-19 胸部 X 光片发现方面的表现。受试者和方法：测试集包括三个月内 457 张疑似 COVID-19 肺炎患者的 CXR 图像。一位拥有 13 年以上经验的放射科医生和人工智能系统 (NeuraCovid，一款与人工智能模型 COVID-NET 配对的 Web 应用程序) 对 X 光片进行了评估。通过计算灵敏度、特异性和生成受试者工作特征曲线来比较人工智能系统和放射科医生的表现。RT-PCR 测试结果被用作金标准。结果：放射科医生的灵敏度和特异性分别为 44.1% 和 92.5%，而 AI 的灵敏度和特异性分别为 41.6% 和 60%。AI 系统将 CXR 图像正确分类为 COVID-19 肺炎的曲线下面积为 0.48，放射科医生为 0.68。放射科医生的预测优于 AI，P 值为 0.005。结论：放射科医生检测 COVID-19 肺部病变的特异性和灵敏度优于 AI 系统。
放射科医生、非放射科医生和普通人从“墨卡托地图”曲线重建中识别大脑皮层萎缩儿童的准确性
背景：使用文本报告向父母和对赔偿权提出异议的法律专业人士传达患有长期缺氧缺血性损伤 (HII) 的儿童的双侧、对称性和区域性皮质脑萎缩可能很困难。使用标准的横截面图像向外行人解释双侧、区域性脑成像也具有挑战性。大脑表面的单一平面图像，就像从地球仪中得出地球地图一样，可以通过磁共振成像 (MRI) 扫描的曲面重建生成，即墨卡托地图。外行人在未经事先培训的情况下识别异常“墨卡托脑图”的能力需要在非医疗环境中使用前进行评估。目的：确定外行人在未经事先培训的情况下检测异常儿童墨卡托平面脑图的灵敏度和特异性。方法和材料：向 111 名参与者分别提供 10 张墨卡托脑图。这些地图包括 5 个 HII、1 个皮质发育不良和 4 个正常病例。参与者需要识别异常扫描。计算了总体和参与者亚组的敏感性和特异性。结果：总体敏感性和特异性分别为 67% 和 80%。普通放射科医生（n = 12）的敏感性和特异性分别为 91.2% 和 94.6%。外行人（n = 54）的敏感性为 67%，特异性为 80%。结论：放射科医生的高特异性和敏感性验证了该技术在区分皮质病理异常扫描方面的有效性。外行人使用墨卡托地图识别异常大脑的高特异性表明，这是一种向外行人展示儿童 HII 皮质 MRI 异常的可行沟通工具。
放射性核素中子源发射的各向异性
电离辐射计量中心摘要。放射性核素中子源为各种中子测量装置提供了一种产生标准中子校准场的便捷方法。需要知道源的以下属性才能表征某一点的场：总中子发射率、中子能谱以及发射强度随角度的变化。假设光谱随角度的变化对于大多数应用而言可以忽略不计。放射性核素中子源的总发射率可以在国家物理实验室 (NPL) 通过硫酸锰浴技术绝对测量，或通过慢化探测器进行比较测量。各种常用源的中子能谱可在公开文献中找到。本报告描述了 NPL 用于测量放射性核素中子源各向异性发射的方法。给出了相对于各种源类型和封装的圆柱轴的测量中子角分布。还给出了使用蒙特卡洛传输代码 MCNP 计算的分布，这些分布通常与测量的分布具有良好的一致性。
I-AI：一种可控制、可解释的人工智能系统，用于解读放射科医生对准确 CXR 诊断的高度关注
摘要 在胸部 X 光 (CXR) 诊断领域，现有研究通常仅侧重于确定放射科医生的注视点，通常是通过检测、分割或分类等任务。然而，这些方法通常被设计为黑盒模型，缺乏可解释性。在本文中，我们介绍了可解释人工智能 (I-AI)，这是一种新颖的统一可控可解释流程，用于解码放射科医生在 CXR 诊断中的高度关注度。我们的 I-AI 解决了三个关键问题：放射科医生注视的位置、他们在特定区域关注的时间以及他们诊断出的发现。通过捕捉放射科医生凝视的强度，我们提供了一个统一的解决方案，可深入了解放射学解释背后的认知过程。与当前依赖黑盒机器学习模型的方法不同，这些方法在诊断过程中很容易从整个输入图像中提取错误信息，而我们通过有效地屏蔽不相关的信息来解决这个问题。我们提出的 I-AI 利用视觉语言模型，可以精确控制解释过程，同时确保排除不相关的特征。为了训练我们的 I-AI 模型，我们利用眼球注视数据集来提取解剖注视信息并生成地面真实热图。通过大量实验，我们证明了我们方法的有效性。我们展示了旨在模仿放射科医生注意力的注意力热图，它编码了充分和相关的信息，仅使用 CXR 的一部分即可实现准确的分类任务。代码、检查点和数据位于 https://github.com/UARK-AICV/IAI。1. 简介
脑肿瘤放射基因组学分类
摘要 - RSNA-MICCAI 脑肿瘤放射基因组学分类挑战赛[1]旨在通过对多参数 mpMRI 扫描（T1w、T1wCE、T2w 和 FLAIR）进行二元分类来预测胶质母细胞瘤中的 MGMT 生物标志物[2]状态。数据集分为三个主要队列：训练集、验证集（在训练期间使用），测试集仅在最终评估中使用。图像要么是 DICOM 格式[3]，要么是 png 格式[4]。使用不同的架构来研究该问题，包括 3D 版本的 Vision Transformer (ViT3D)[5]、ResNet50[6]、Xception[7] 和 EfficientNet-b3[8]。AUC 被用作主要评估指标，结果显示 ViT3D 和 Xception 模型都具有优势，在测试集上分别达到 0.6015 和 0.61745。与其他结果相比，考虑到任务的复杂性，我们的结果被证明是有效的。通过探索不同的策略、不同的架构和更多样化的数据集可以取得进一步的改进。
化学、生物、放射性、核（cbrn）设备
2023 年 5 月 3 日——2023-24 财年 HQ NDRF PROC 分支机构采购计划。化学生物放射核 (CBRN) 设备：- 设备编号名称。
Jacob Bennett诉Harford County，Maryland，No.38，... 刑事DCM计划巴尔的摩县2024 Michele Williams诉Morgan State University，等，Misc。 ... Trusted Science and Technology Inc.，诉Nicholas Evancich ... Willie James Barton，Jr。等。 v。高级放射学P.A.等。 ，第1336号，2019年9月。威尔斯的意见。
Jacob Bennett诉Harford County，Maryland，No. 38，9月学期，2022年。 法定解释 - 有资格成为哈福德县宪章第207条的哈福德县议会会员条，该宪章阻止了一名议会议员在州政府，哈福德县或哈福德县内的任何市政府持有就业，这并不能排除哈福德县教育委员会雇用的教师同时担任哈福德县议会成员。 查找宪章§207关于它是否适用于董事会的雇员，法院采用了一个有利于候选人资格解决歧义的建筑规范。 公共就业 - 不兼容的职位不兼容职位的学说并不排除哈福德县教育委员会雇用的老师，从同时担任哈福德县议会的成员。Jacob Bennett诉Harford County，Maryland，No.38，9月学期，2022年。法定解释 - 有资格成为哈福德县宪章第207条的哈福德县议会会员条，该宪章阻止了一名议会议员在州政府，哈福德县或哈福德县内的任何市政府持有就业，这并不能排除哈福德县教育委员会雇用的教师同时担任哈福德县议会成员。查找宪章§207关于它是否适用于董事会的雇员，法院采用了一个有利于候选人资格解决歧义的建筑规范。公共就业 - 不兼容的职位不兼容职位的学说并不排除哈福德县教育委员会雇用的老师，从同时担任哈福德县议会的成员。
人工智能对临床放射学实践的影响
放射学实践高度依赖于技术，因此当前的创新和进步对这一快速发展的行业做出了重大贡献。从手动胶片处理到自动处理阶段，再到最近使用的数字日光图像处理的转变就是由于技术进步而发生的此类变化的一个例子。1 这些技术进步彻底改变了临床放射学的实践，特别是引入了横断面成像模式，如计算机断层扫描 (CT) 和磁共振成像 (MRI)。临床放射学实践的当前趋势包括整合人工智能 (AI) 和相关应用，以改善患者护理并加强该领域的研究。2,3 在资源匮乏且面临医疗基础设施不足等独特挑战的环境中，有必要讨论这些现代创新对临床放射学实践的未来影响。