XiaoMi-AI文件搜索系统
World File Search SystemRADIOLOGY
放射学中基于图像的生成人工智能
生成式人工智能 (AI) 已应用于图像，用于增强图像质量、域迁移和增强用于各种医疗领域的 AI 建模的训练数据。图像生成 AI 可以生成大量未注释的图像数据，从而促进多个下游深度学习任务。然而，它们的评估方法和临床效用尚未得到彻底审查。本文总结了常用的生成对抗网络和扩散模型。此外，它总结了它们在放射学领域临床任务中的效用，例如直接图像利用、病变检测、分割和诊断。本文旨在通过 1) 回顾图像生成 AI 的基本理论、2) 讨论用于评估生成图像的方法、3) 概述生成图像的临床和研究效用以及 4) 讨论幻觉问题，指导读者使用图像生成 AI 进行放射学实践和研究。关键词：生成式人工智能；生成对抗网络；扩散模型；评估指标；医学成像
人工智能在放射学中的非解释性用途
当计算机执行通常需要人类智能操作的任务时，我们将该行为称为人工智能 (AI)。最近，放射学文献中对 AI 的兴奋主要围绕 AI 模型识别解剖结构和检测医学图像病理的能力，有时达到专家医生的水平 [1 5] 。但是，AI 还可用于解决与放射科医生及其患者相关的各种非解释性问题。尽管最近有许多关于这一主题的优秀评论 [6 9] ，但后续发展仍在继续，以至于这些评论已经有些过时了。除了一个例外 [8] ，这些评论很少关注学术放射学特有的问题，例如
介入放射学对人工智能的探索
此项目/顶点课程 - 全球访问由 USF 奖学金的所有论文、学位论文、顶点课程和项目免费和开放访问：Gleeson 图书馆 | Geschke 中心的数字存储库。它已被 USF 奖学金的授权管理员接受纳入硕士项目和顶点课程：Gleeson 图书馆 | Geschke 中心的数字存储库。有关更多信息，请联系repository@usfca.edu。
放射学中的人工智能——超越黑匣子
背景人工智能在放射学中发挥着越来越重要的作用。然而，越来越多的情况是，重建决策已不再可能，尤其是在深度学习领域的新方法和强大方法的情况下。由此产生的模型在用户无法理解内部过程的情况下发挥了作用，并被用作所谓的黑匣子。特别是在医学等敏感领域，决策的可解释性至关重要，以便验证其正确性并评估替代方案。因此，正在积极研究阐明这些黑匣子。方法这篇评论文章介绍了可解释人工智能的不同方法及其优缺点。使用示例来说明所介绍的方法。这项研究旨在使读者能够更好地评估相应解释的局限性，当
人工智能在牙科和颌面放射学中的应用
从 Netflix 上的电影推荐到手机上的自动更正功能，人工智能在我们日常生活中的应用越来越普遍。医学和牙科领域可以应用人工智能来跟上技术进步并利用它们来提高实践效率。虽然人工智能尚未得到广泛应用，但在牙科和颌面外科领域与牙科射线照片结合使用时具有巨大潜力。射线照片可以作为机器学习算法的数据集，并使人工智能技术能够执行诊断疾病和治疗计划等任务。正在牙科研究中研究的人工智能技术的用途包括牙科图表、诊断龋齿、囊肿和肿瘤以及正颌和正畸病例的治疗计划。
MO HealthNet 放射科和心脏病科程序代码
将导管置于冠状动脉中以进行冠状动脉造影，包括冠状动脉造影术中注射、影像监测和解释；伴随左心导管插入术，包括左心室造影术中注射（如有） 93458 将导管置于冠状动脉中以进行冠状动脉造影，包括冠状动脉造影术中注射、影像监测和解释；伴随左心导管插入术，包括左心室造影术中注射（如有），将导管置于旁路移植物（内乳、游离动脉、静脉移植物）中并进行旁路移植物血管造影 93459 将导管置于冠状动脉中以进行冠状动脉造影，包括冠状动脉造影术中注射、影像监测和解释；伴随右心和左心导管插入术，包括用于左心室造影的术中注射（如有） 93460 将导管置于冠状动脉中以进行冠状动脉造影，包括用于冠状动脉造影的术中注射、影像监测和解释；伴随右心和左心导管插入术，包括用于左心室造影的术中注射（如有），将导管置于旁路移植物（内乳、游离动脉、静脉移植物）中并进行旁路移植物造影 93461
将肿瘤学、放射学和核医学整合到治疗诊断学中
将肿瘤学、放射学和核医学纳入治疗诊断学的范畴，存在着错综复杂的困难[1]。数据整合仍然很困难，因为它需要协调来自多种来源、格式和标准的数据，以确保能够做出一致的决策[2]。通过标准化成像过程，诊断准确性大大提高。弥合语言、实践和工作流程方面的差距，阻碍肿瘤学家、放射学家和核医学专家之间进行有效的跨学科合作，这是一个持续存在的问题[3]。由于治疗诊断学的监管和道德考虑，需要额外的安全和隐私措施[4]。在试图权衡可能的临床优势与昂贵设备和培训的费用和资源分配时，情况更加复杂[5]。由于必要的放射性药物稀缺，存在获取问题。为了确保医疗保健从业者能够处理治疗诊断学的复杂性，迫切需要进行专门的教育和培训[6]。在交换患者数据时，采取隐私和安全措施来保护数据至关重要[7]。为了证明其安全性和有效性，需要进行可靠的临床验证。要充分发挥综合治疗诊断学的潜力并提供最佳的患者护理，需要整个医疗生态系统的共同努力，从监管改革到技术进步 [8]。
X射线专家：放射学中可预测的错误
医疗错误是结果，但如果没有对过去案件的艰苦审查，就难以研究。i应用算法工具来衡量最常见的医学评估之一中的错误程度和性质：胸部X射线解释。使用大型医院的匿名医疗记录，我将放射科医生关于心脏健康的主张与相同的机器学习预测进行了比较，并使用外源给予的血液测试在两者之间进行裁定。至少有58％的放射科医生会犯错误，发出的报告可以预见，这些报告误解了患者心脏健康的严重程度。纠正这些错误会将假阴性率降低23.5％，假阳性率降低了7.6％，而代表性不足和诊断不足的患者群体的准确性明确提高了。审慎的算法基准选择表明，大约三分之二的错误是可以解释的，因为个人放射科医生做出不一致的决策（表现不佳的“个人边界”），而三分之一反映了人类实践与算法预测之间的差距（A”机器边界）。与医学文献中的主要假设相比，错误并不能反映放射学家超重的显着信息；相反，它们系统地对患者风险的信号有系统地反应。在一起，这些结果表明，算法工具的比较强度在于它们的潜力减少人类判断的过多变异性。
人工智能（AI）在放射学领域的应用
摘要：背景：在过去十年中，人们对将人工智能 (AI) 应用于放射学以改善诊断程序的兴趣日益浓厚。人工智能在成像链的所有步骤中都有潜在的好处，从诊断测试的处方到测试报告的传达。人工智能在放射学领域的应用也对诊断时的医患沟通提出了挑战。本系统综述重点关注当人工智能应用于癌症诊断沟通时患者的角色以及患者与医生之间的人际交往技巧。方法：在 1990 年至 2021 年的 PubMed、Embase、Medline、Scopus 和 PsycNet 上进行了系统搜索。搜索词为：“人工智能”或“智能机器”和“通信”、“放射学”和“肿瘤学诊断”。遵循 PRISMA 指南。结果：共查明 517 条记录，5 篇论文符合纳入标准并进行了分析。大多数文章强调了人工智能在放射学方面的技术支持的成功，却以牺牲患者对人工智能的信任和以患者为中心的癌症疾病沟通为代价。根据研究结果讨论了实际意义和未来指导方针。结论：事实证明，人工智能有助于临床医生进行诊断。未来的研究可能会通过充分了解人工智能的有利用途以及通过充分的医患诊断沟通培训提高医疗依从性来提高患者的信任度。