XiaoMi-AI文件搜索系统
World File Search System胸部
Napier 的临床论文-AI 胸部 X 光解决方案-TechRxiv-...
Napier Healthcare® Solutions 是一家专门为医疗服务提供商提供云技术的专业供应商，其所有产品均采用增强智能技术。Napier 致力于提供“卓越的医疗管理”，并秉承根深蒂固的创新文化，其技术方法确保为各种急性护理和长期护理提供商提供软件平台。借助 Napier 的技术和专业知识，医疗服务提供商现在可以在最短的时间内通过云端推出新的服务系列，并实现全面的移动访问。
研究心房颤动中胸部压力直接心脏反应的疗效：一种随机对照试验方案（压力AF）
抽象简介房颤（AF）是全球最常见的心律不齐。直接的心脏versionion通常用于恢复AF患者的鼻窦节律。胸部压力可以通过减少经胸阻抗和增加心脏能量递送来改善心脏version的成功。我们旨在通过直接电流心动过速评估常规胸压的功效和安全性。方法和分析多中心，双盲（患者和结果评估），位于澳大利亚新南威尔士州的随机临床试验。患者将被随机分配1：1以控制和介入臂。对照组将在最后一次冲击中获得150 J，200 J，360 J和360 J的四个顺序双相冲击，直到心脏抗化成功。干预组将从第一次除颤后的胸部压力中获得相同的冲击。垫子将放置在前后位置。心脏version的成功将定义为冲击后1分钟后的窦性节奏。主要结果将是提供总能量。次要结果将取得第一次冲击，以实现心脏versio vastio cassioversion ECG时的心脏抗化，经胸阻抗和鼻窦节律。伦理和传播伦理批准已通过研究伦理治理信息系统在所有参与站点得到证实。该试验已在澳大利亚新西兰临床试验登记册（ACTRN12620001028998）上进行了注册。将提供良好的分析建议的知名研究人员，可以使用识别患者级别的数据。识别患者级别的数据。
基于人工智能的图像处理用于胸部 CT 扫描图像中的 COVID-19 检测
COVID-19 疫情引起了大数据分析师和人工智能工程师的关注。将计算机断层扫描 (CT) 胸部图像分类为正常或感染需要密集的数据收集和创新的 AI 模块架构。在本文中，我们提出了一个平台，该平台通过检查 CT 胸部扫描图像，涵盖 COVID-19 正常和异常方面的多个分析和分类级别。具体来说，该平台首先基于可靠的图像集合扩充要在训练阶段使用的数据集，分割/检测图像中的可疑区域，并分析这些区域以输出正确的分类。此外，在选择最适合我们研究的模块后，我们结合了 AI 算法。最后，与文献中的其他技术相比，我们展示了该架构的有效性。所得结果表明，所提架构的准确率为 95%。
人工智能应用于胸部X光检查以鉴别诊断新冠肺炎
1 意大利帕维亚 27100 大学高等研究院 IUSS 大学学院科学、技术和社会系； salvatore@deeptracetech.com 2 DeepTrace Technologies SRL，地址：Conservatorio 17，20122 米兰，意大利； interlenghi@deeptracetech.com （MI）; polidori@deeptracetech.com (AP) 3 米兰大学健康生物医学科学系，Via Mangiagalli 31, 20133 米兰，意大利； caterina.monti@unimi.it（CBM）; davide.capra@unimi.it （华盛顿特区）; andrea.cozzi1@unimi.it （交流）; francesco.sardanelli@unimi.it (FS) 4 意大利蒙扎—圣赫拉尔多医院放射科，Via Pergolesi 33，20900 蒙扎，意大利； davide.ippolito@unimib.it （DI）; d.gandola1@campus.unimib.it （DG）5 放射科，IRCCS Policlinico San Donato，Via Morandi 30，20097 San Donato Milanese，意大利； schiaffino.simone@gmail.com 6 诊断成像和立体定向放射外科部，CDI Centro Diagnostico Italiano SpA，Via Saint Bon 20, 20147 Milan，意大利； marco.ali@cdi.it 7 米兰比可卡大学物理系，Piazza della Scienza 3, 20126 米兰，意大利 8 国家研究委员会生物医学成像和生理学研究所，Via Fratelli Cervi 93, 20090 Segrate，意大利 9 米兰比可卡大学医学和外科学院，Piazza dell'Ateneo Nuovo 1, 20126 米兰，意大利； cristina.messa@unimib.it 10 米兰比可卡大学 Tecnomed 基金会，Palazzina Ciclotrone—Via Pergolesi 33，20900 蒙扎，意大利 * 通讯地址：isabella.castiglioni@unimib.it † C. Salvatore、M. Interlenghi 和 CB Monti 对本文贡献相同。
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
使用人工智能对胸部 X 光检查工作列表进行优先级排序：临床工作流程模拟
摘要 目的 旨在评估人工智能 (AI) 的智能工作列表优先级排序是否能够优化放射学工作流程并减少胸部 X 光片 (CXR) 中关键发现的报告周转时间 (RTAT)。此外，我们研究了一种方法以抵消 AI 的假阴性预测的影响——由于 CXR 被排在工作列表的末尾，这会导致 RTAT 非常长且危险。 方法 我们开发了一个模拟框架，通过结合医院特定的 CXR 生成率和报告率以及病理分布来模拟大学医院的当前工作流程。利用这个框架，我们模拟了标准工作列表处理“先进先出”(FIFO)，并将其与基于紧急程度的工作列表优先级排序进行了比较。检查优先级排序由 AI 执行，将八种不同的病理发现按紧急程度降序排列：气胸、胸腔积液、浸润、充血、肺不张、心脏扩大、肿块和异物。此外，我们引入了最长等待时间的上限，超过此上限后，将为检查分配最高紧急程度。结果与 FIFO 模拟相比，所有优先级模拟中所有关键发现的平均 RTAT 均显着减少（例如，气胸：35.6 分钟 vs. 80.1 分钟；p < 0.0001），而大多数发现的最大 RTAT 同时增加（例如，气胸：1293 分钟 vs. 890 分钟；p < 0.0001）。我们的“上限”大大降低了所有类别的最大 RTAT（例如，气胸：979 分钟 vs. 1293 分钟/1178 分钟；p < 0.0001）。结论我们的模拟表明，AI 的智能工作列表优先级排序可以降低 CXR 中关键发现的平均 RTAT，同时保持较小的 FIFO 最大 RTAT。要点 • 基于医院经验数据开发逼真的临床工作流程模拟器，可使用人工智能精确评估智能工作列表优先级。 • 使用没有最大等待时间阈值的智能工作列表优先级可能会产生人工智能的假阴性预测风险，从而大大增加报告周转时间。 • 使用最先进的卷积神经网络可以将平均报告周转时间缩短到几乎完美分类算法的上限（例如，气胸：35.6 分钟 vs. 30.4 分钟）。
研究文章 深度迁移学习人工智能可在便携式胸部 X 光片上准确分期 COVID-19 肺部疾病严重程度
本研究采用深度学习卷积神经网络在便携式胸部X光 (CXR) 上对冠状病毒病 2019 (COVID-19) 感染的肺部疾病严重程度进行分期，并以放射科医生的疾病严重程度评分为基本事实。本研究包括 84 名 COVID-19 患者 (51 名男性 55.1 ± 14.9 岁；29 名女性 60.1 ± 14.3 岁；4 项信息缺失) 的 131 张便携式 CXR。三位专家胸部放射科医生根据不透明度 (0-3) 和地理范围 (0-4) 分别对左肺和右肺进行评分。深度学习卷积神经网络 (CNN) 用于预测肺部疾病严重程度评分。数据分为 80% 的训练数据集和 20% 的测试数据集。分析了 AI 预测评分与放射科医生评分之间的相关性。并与传统学习和迁移学习进行了比较。平均不透明度得分为 2.52（范围：0-6），三位读者的标准差为 0.25（9.9%）。平均地理范围得分为 3.42（范围：0-8），三位读者的标准差为 0.57（16.7%）。评分者间一致性得出不透明度得分的 Fleiss' Kappa 为 0.45，范围得分的 Fleiss' Kappa 为 0.71。人工智能预测的分数与放射科医生的分数高度相关，其中顶级模型的相关系数（R 2 ）为 0.90（范围：传统学习为 0.73-0.90，迁移学习为 0.83-0.90），平均绝对误差为 8.5%（范围：分别为 17.2-21.0% 和 8.5%-15.5）。迁移学习通常表现更好。总之，深度学习 CNN 可在便携式 COVID-19 肺部感染胸部 X 光片上准确分级疾病严重程度。这种方法可能有助于分级肺部疾病严重程度、预测和预测治疗反应和生存率，从而为风险管理和资源分配提供信息。
AI-Rad 胸部 X 光检查
AI-Rad Companion 提供 90 天的试用许可证。90 天试用期结束后，客户可以使用我们的订阅式软件即服务 (SaaS) 模式购买 AI-Rad Companion。AI-Rad Companion 提供订阅式服务，根据处理的病例数量提供不同的层级。您可以购买扩展的访问权限，这些扩展仅与 AI-Rad Companion Engine 结合使用。服务按机构提供。如果获得机构管理员的授权，隶属于您机构的用户可访问该工具。安装和使用 teamplay 数字健康平台是使用 AI-Rad Companion 的先决条件。