•第19章颅神经•第20章颞骨成像•第22章腹侧和中央颅骨基础:鼻窦,卖出,帕拉斯尔和轨道区域•第23章腺体:腺体,唾液,甲状腺和甲状腺功能疗法和甲状旁腺成像•第24章粘膜癌:粘膜癌:颈部和颈部差异•第25章 - 诊断25次•自我评估考试介绍性视频:CT头的大脑介绍:方法和原理https://www.youtube.com/watch?v=fepvxmrur70&t=3200s颅内出血的成像(Wintermark博士)19:16 min min min min https://www.asnr.org/neurocurriculum/imaging-of-intracranial-hemorrhages/ MRI脑序列-Radiology Video教程https://wwwww.youtube.com/watch?v=dyxegy-x1n8&t=24S介绍大脑的MRI https://www.youtube.com/watch?v=co7qyu21qku
来自:Rostoker G、Cohen Y。Magne4C 共振成像对静脉注射铁剂治疗缺铁性贫血和透析相关性贫血的影响。计算机辅助断层扫描杂志。2014 年 11 月 1 日;38(6):843-4。hOps://pubmed.ncbi.nlm.nih.gov/25229202/ ______________________________________________________________________________ 背景:对于我们在神经学中的目的,有 2 个主要问题:
我们很高兴地宣布欧洲神经放射学会 (ESNR) 和欧洲儿科放射学会 (ESPR) 之间建立了开创性的合作关系,并与匈牙利神经放射学会和匈牙利放射学会儿科分会合作,举办第 1 届欧洲儿科神经放射学大会!
摘要 基于人工智能 (AI) 的商业软件正在进入神经放射学的临床实践。因此,使用软件作为医疗设备 (SaMD) 的法医学方面变得越来越重要。这些法医学问题需要跨学科的方法,并可能影响我们日常工作的方式。在本文中,我们试图解决三个主要主题:医疗事故责任、基于人工智能的医疗设备的监管以及共享医学影像数据的隐私保护,从而重点关注欧盟和美国的法律框架。由于许多提出的概念非常复杂,而且部分概念尚未解决,因此本文并非旨在全面,而是发人深省。目标是让临床神经放射学家参与辩论,并让他们能够在未来积极塑造这些主题。
_________________________________________________________________________________ Page 1 of 37 © 2024 The Royal College of Physicians and Surgeons of Canada.保留所有权利。只要所有相关材料中都包含以下短语:版权所有©2024加拿大皇家医师学院。经许可引用和生产。请将最终产品的副本转发给标准和评估办公室,ATTN:专业标准经理。所有其他用途都需要皇家学院的书面许可。有关知识产权的更多信息,请联系:documents@royalcollege.ca。有关此文档使用的问题,请联系:recertentials@royalcollege.ca。
摘要:本综述从定性和数学角度定义了算法偏见和公平性的概念。给出了算法开发中出现意外偏见或不公平时可能出现的问题的说明性示例。讨论了可解释性、可问责性和透明度对于人工智能算法开发和临床部署的重要性。这些都基于“primum no nocere”(首先,不伤害)的概念。提供了减轻任务定义、数据收集、模型定义、训练、测试、部署和反馈中的不公平和偏见的步骤。我们将讨论如何实施公平标准,以最大限度地提高效益并最大限度地减少对神经放射学患者的不公平和伤害,包括当人工智能算法被神经放射学实践接受并纳入常规临床工作流程时,神经放射学家应考虑的建议。
摘要:在本综述中,算法偏见和公平性的概念得到了定性和数学上的定义。给出了算法开发中出现意外偏见或不公平时可能出现的问题的说明性示例。讨论了可解释性、可问责性和透明度对于人工智能算法开发和临床部署的重要性。这些都基于“primum no nocere”(首先,不伤害)的概念。提供了减轻任务定义、数据收集、模型定义、训练、测试、部署和反馈中的不公平和偏见的步骤。将讨论如何实施公平标准,最大限度地提高利益,最大限度地减少对神经放射学患者的不公平和伤害,包括为神经放射学家提供建议,因为人工智能算法在神经放射学实践中获得认可并纳入常规临床工作流程。
摘要 目的 比较两个执行规范性脑容量分析的人工智能软件包,并探索它们是否会在临床背景下对痴呆症诊断产生不同的影响。方法 回顾性地纳入了 60 名患者(20 名阿尔茨海默病、20 名额颞叶痴呆、20 名轻度认知障碍)和 20 名对照。每个受试者使用两家专有制造商的软件包处理一次 MRI,为每个受试者生成两份定量报告。两名神经放射科医生仅使用这些报告中的规范容量分析数据分配强制选择诊断。他们将体积分布分类为“正常”或“异常”,如果“异常”,他们会指定最可能的痴呆亚型。通过比较(1)基于软件输出的诊断之间的一致性;(2)诊断准确性、敏感性和特异性;来评估软件包之间的临床影响差异;和 (3) 诊断信心。还比较了定量输出,以提供任何诊断差异的背景。结果 软件包之间的诊断一致性为中等,用于区分正常和异常体积(K = .41– .43)和特定诊断(K = .36–.38)。但是,每个软件包在区分正常和异常概况时都产生了较高的观察者间一致性(K = .73–.82)。软件包之间的准确度、灵敏度和特异性没有差异。对于一个评估者来说,不同软件包之间的诊断信心是不同的。软件包之间的全脑颅内容积输出不同(10.73%,p < .001),用于诊断的规范区域数据相关性弱至中等(r s = .12–.80)。结论 用于脑 MRI 定量规范评估的不同人工智能软件包可以在临床解释层面产生不同的效果。诊所不应假设不同的软件包可以互换,因此建议在采用之前对软件包进行内部评估。
摘要:在新技术、计算工具和更广泛的成像数据可用性的推动下,人工智能有可能改变神经放射学的实践。最近与人工智能相关的出版物数量呈指数级增长,最近的专业和科学放射学会议也以人工智能为中心,这凸显了人工智能的重要性。利用人工智能技术改善工作流程、诊断和治疗以及提高定量成像技术价值的势头日益强劲。本文探讨了神经放射学家应该关注对新人工智能应用的投资的原因,强调了当前的活动和神经放射学家正在发挥的作用,并对人工智能在神经放射学中的近期发展做出了一些预测。
考试将由三个相等的部分组成;大脑,脊柱和头颈。小儿病例包括每个考试部分。每个部分将由60个可记分的单位组成(即个人问题)总共180个项目。有几种案例表现格式(请参见下面的示例问题)。最常见的格式将是多项选择问题。以这种格式,每种情况都将从图像或一组图像开始,并带有随附的临床信息。候选人将被要求选择最可能(或有时最少)诊断的候选人。候选人做出选择后,通常会问一到三个后续问题。候选人将有机会返回并查看原始图像,但将被阻止将其答案更改为先前的问题。后续问题将探讨候选人对第一个问题引入的疾病实体的临床,病理和治疗方面的知识。重要的是要注意,后续问题可能是指除对案件的“正确”诊断之外的其他实体。在某些情况下,随访问题将包括可能改变案件可能诊断的其他成像研究。因此,这种格式与先前的口服亚科考试中使用的格式非常相似。另一种格式是项目匹配案例。以这种格式为候选人提供诊断选项和图像集的列表。候选人将将图像匹配到正确的诊断。第三格式将用于解剖问题。此格式用于测试候选人区分具有相似外观或位置的病变的能力。将向候选人展示图像,并要求将标签放在特定的解剖结构上。