XiaoMi-AI文件搜索系统
World File Search SystemRADIOLOGY
俄亥俄州中部初级保健放射科脑（...
俄亥俄州中部初级保健放射科 脑 (头部) CT 什么是 CT 扫描？ CT 扫描（也称为“CAT 扫描”，即“计算机轴向断层扫描”）是一种将 X 射线与计算机技术相结合的诊断测试。一系列来自不同角度的 X 射线束用于创建身体的横截面图像。这些图像被组合成一幅三维图片，可以非常详细地显示器官、骨骼和组织。 我应该如何准备进行该程序？ • 脑：无需准备。任何怀孕的女性在安排此项检查前都应告知医生。 该程序如何进行？ CT 扫描仪由一个大型甜甜圈形机器和 X 射线台组成。您将躺在桌子上，慢慢被移入大开口，同时拍摄一系列照片。您可能会接受静脉染料（造影剂）注射，以提高身体内部结构的可见度。我们要求您在扫描过程中保持静止并遵循技术人员的指示。从您躺在 CT 台上开始，检查大约需要 15 分钟。检查后我需要做什么？MRI 扫描后，您无需限制，可以恢复正常活动。我什么时候能拿到结果？检查完成后，放射科医生将研究 CT 图像，并将其与您之前可能拍摄过的同一区域的任何 X 光片进行比较。请留出几天时间，让您的医生跟进您的检查结果。如果我还有其他问题，该怎么办？如果您在检查后遇到紧急情况，请拨打 911。如果您在预约之前或之后有任何其他问题，请随时致电我们的放射科，电话为 614-273-0411 转 5 或免费电话 1-877-273-0450。
放射学人工智能的伦理问题：伦理和社会影响的回顾
人工智能 (AI) 正在医学领域得到应用，以改善医疗保健并促进健康公平。基于人工智能的技术在放射学中的应用有望通过提高准确性和简化个性化决策来提高诊断性能。虽然这项技术有可能改善医疗服务，但需要仔细考虑许多伦理和社会影响，以避免对个人和团体造成有害后果，特别是对最脆弱的人群。因此，提出了几个问题，包括 (1) 在医学和生物医学研究中使用人工智能会引发哪些类型的伦理问题，以及 (2) 如何在放射学中解决这些问题，特别是在乳腺癌的情况下？为了回答这些问题，对学术文献进行了系统回顾。在五个电子数据库中进行了搜索，以查找自 2017 年以来发表的关于放射学人工智能伦理主题的同行评审文章。审查结果表明，该讨论主要解决了与医疗人工智能相关的期望和挑战，特别是偏见和黑箱问题，并且提出了各种指导原则以确保人工智能合乎道德。我们发现，人工智能应用的若干伦理和社会影响仍未得到充分探索，需要更加关注解决潜在的歧视性影响和不公正现象。最后，我们从哲学和 STS 的角度对这些问题和已发现的话语空白进行了批判性反思，强调未来在放射学人工智能发展中需要融入社会科学视角。
对放射学充满信心：您的新 AI 助手就在这里
MISC-10295 Rev. 001 (11/24) Hologic Inc. ©2024 保留所有权利。Hologic、3D、3D 乳房 X 线摄影、Dimensions、Genius、Genius AI、Genius AI Pro、Intelligent 2D、Quantra、ImageChecker 和相关徽标是 Hologic, Inc. 及其子公司在美国和/或其他国家/地区的商标和/或注册商标。所有其他商标、注册商标和产品名称均为其各自所有者的财产。此信息仅供美国和其他市场的医疗专业人士使用，并非在禁止此类活动的地方进行产品招揽或促销。由于 Hologic 材料是通过网站、电子广播和贸易展览分发的，因此并不总是能够控制此类材料的出现位置。有关在特定国家/地区有哪些产品可供销售的具体信息，请联系您当地的 Hologic 代表。由 Therapixel 制造并由 Hologic 分销。
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。
放射学研究更新 2024 年 7 月，第 30 期
资助 马里兰干细胞研究基金会向诊断放射学和核医学系的教职员工和博士后提供了多项资助： 教授 Miroslaw Janowski 博士获得了为期两年、金额为 350,000 美元的发现资助，用于研究“大脑体内基因组编辑的计算方法”。该项目将与马里兰大学帕克分校副教授 Brian Pierce 博士合作开展。其目的是将计算方法应用于基于干细胞的策略，以编辑大脑中的经典 ALS 突变。 研究助理 Chengyan Chu 博士获得了为期两年、金额为 345,000 美元的发现资助，用于研究“人类 GRP 作为药物工厂对脑小血管疾病神经炎症的局部调节”。其目标是移植经过 mRNA 改造的人类神经胶质祖细胞 (hGRP)
2025 年 CPT 编码更新 - PBS 放射科业务
• 76014 ：由经过培训的临床工作人员对 MR 安全植入物和/或异物进行评估，包括从适当来源（例如手术报告、影像报告、医疗器械数据库、器械供应商、先前影像审查）识别和验证植入物组件，分析各个组件和系统的当前 MR 状况，并咨询已发布的专业指导意见并提交书面报告；最初 15 分钟（仅收取技术费用） • +76015 ：每增加 30 分钟，最多 3 个单位（仅收取技术费用） • 76016 ：由负责 MR 程序安全的医生或其他合格医疗保健专业人员进行 MR 安全性确定，包括审查指示的 MR 检查的植入物 MR 状况、分析进行 MR 检查的风险与临床益处、确定 MR 设备、附件设备和进行检查所需的专业知识，并提交书面报告
基于网络的会议：放射学教育者需要了解的内容
过去十年左右的技术进步使我们能够通过网络与他人进行语音和视频会议。这项技术已广泛应用于医学界。最基本的——简单的群组音频电话会议——现在已成为标准，并且大大减少了面对面会议的出差需求。肿瘤委员会等多学科会议通过让场外的提供者与专业专家讨论患者护理算法而得到了增强 ( 1 4 )。将讲座从一个站点广播到另一个站点使学习者能够从机构、地区、国家或国际上获得高质量的教育。这已创造性地部署在医学（包括住院医师培训）、牙科、护理、足病学、精神病学、药理学以及农村和全球卫生等领域的各种环境中 ( 5 14 )。基于网络的教学是大规模开放在线课程的基础。它已用于患者教育和支持小组 ( 14 )。 RSNA、ARRS 和 AIUM 等放射学多日会议在现场会议的同时举办“虚拟”会议，一些会议可能完全是虚拟的 (15)。这些技术为医疗保健系统内或全球范围内的远程教学开辟了无数可能性
放射学研究更新2024年4月，第29期
Gullapalli年轻调查员奖是为了纪念他的。颁奖典礼授予了新兴的研究人员，其中五项隶属于诊断放射学和核医学系：研究人员Lukasz Kalkowski，博士和Jinghui Wang，博士；博士生Shriya Madan；和UMBC本科生Mikolaj Walczak和Colleen Russel。Gullapalli Young研究者奖是由宾夕法尼亚大学放射学教授的大量捐款，以及该系主办的Alavi-Bradley研讨会的赞助商。部门成员在活动中无所不在，医学博士Dheeraj Gandhi，在“ Mr Mring Fus Fus：Image LageDeride Fus：Next Frontier in Image Lagided（非手术）神经外科手术中进行了主题演讲。”在受邀的演讲者中
社论：放射学癌症诊断的人工智能应用
癌症仍然是对人类生命的最显着威胁之一，早期发现特别具有挑战性。放射学成像是识别癌症的主要工具，但早期的迹象通常是微妙的，导致可能遗漏的可治疗癌症（1）。人工智能（AI）具有巨大的承诺，是帮助放射科医生进行癌症检测的强大工具（2）。AI算法在癌症识别，分割和评估中表现出了令人印象深刻的能力（3，4）。然而，这些算法的不透明性质（通常称为其“黑盒”特征）引起了人们对它们的可解释性和临床预测的验证能力的担忧（5）。需要解决一些新出现的挑战，以有效地将AI整合到癌症检测中。在数据策划期间，公开可用的数据集通常受到扫描仪技术和成像协议中的小规模，不完整的标签或可变性的限制，这限制了其适用性（6）。在开发阶段，AI算法在很大程度上取决于专家放射科医生的手动注释，并且当应用于来自不同医院或协议的数据时，其性能可能会下降（7）。此外，当前的AI模型在处理部分或嘈杂标签，管理长尾数据分布以及适应持续学习（8）等问题上遇到了困难（8）。），头颈肿瘤分割（Zhang和Ray），乳腺癌亚型分类（Sun等）和风险因素识别（Dianati-Nasab等人。）和直肠癌生存风险预测（SHU为了增强AI作为可靠和用户友好的工具的临床采用，有必要开发可以与放射科医生协同工作的AI系统，并将人类专业知识和AI的优势结合起来，以改善癌症检测和患者的结果（9）。This Research Topic has curated articles on the applications of AI models, especially the machine learning models of Random Forest (RF), Neural Networks (NN), Bootstrap Aggregating Classi fi cation and Regression Trees (Bagged CART), Extreme Gradient Boosting Tree (XGBoost), and elastic net, and deep learning models of convolutional neural network (CNN), U-Net, ResNet, and multi-head attention fusion,对于脑肿瘤分割的任务（Luque等人），偶然发现了乳房质量分类（Ma等人