XiaoMi-AI文件搜索系统
World File Search SystemRADIOLOGY
低成本数字工业放射学系统的设计、开发和优化
功能强大的计算机和可靠的成像技术的引入对传统的基于辐射的无损检测 (NDT) 技术产生了重大影响。特别是，图像数字化提供了存储经济性、通信效率和更快的检查和评估速度。发达国家的 NDT 实验室在辐射检测数据的数字化方面正在迅速发展。使用图像增强系统、成像板和平板探测器的新成像技术提高了焊缝、铸件、锻造复合材料和混凝土中表面和内部缺陷的可视化能力，揭示了通过辐射技术准确评估此类缺陷的新潜力。本出版物介绍了一种经济实惠、低成本的数字工业放射学 (DIR) 荧光透视系统的设计、开发和优化。它提供了构建经济可行、易于组装的 DIR 系统的指南，为感兴趣的成员国（包括发展中成员国）提供获取 DIR 技术的渠道。
评论文章医学物理和放射学中的机器学习和深度学习概述
引言在过去的几十年里，人工智能 (AI) 及其突破性技术改变了我们周围的整个世界。鉴于其在许多学科中强大的自动化功能，人工智能是现代生活中最伟大的进步，也是世界第四次工业革命 (1)。考虑到患者检测和计算能力的根本技术在逐步提高 (2)，社区对用于医疗领域的 ML 和 DL 算法的使用有着浓厚的兴趣。先进的 AI 技术代表了医学物理问题的独特专业解决方案，作为在放射学和 RO 应用中有效和合法地使用 ML 和 DL 的一种手段。最近研究的一个关键主题展示了成功的高级数据分析方法对医学物理学的影响，同时讨论了自动化的缺点 (3-5)。这项工作是基于最近的在线资源对可公开访问的官方出版商的科学和医学文献的回顾。
放射学中的人工智能：100 种市售产品及其科学证据
摘要 目的 绘制目前市售的放射学人工智能 (AI) 软件的概况，并审查其科学证据的可用性。方法 我们根据供应商提供的产品规范 (www.aiforradiology.com)，创建了带有 CE 标志的临床放射学 AI 软件产品的在线概览。检索了模态、亚专业、主要任务、监管信息、部署和定价模型等特征。我们对这些产品的现有科学证据进行了广泛的文献检索。文章根据功效的分层模型进行分类。结果 概览包括来自 54 家不同供应商的 100 种带有 CE 标志的 AI 产品。对于 100 种产品中的 64 种，没有同行评审的功效证据。我们观察到部署方法、定价模型和监管类别存在很大的异质性。其余 36 种产品的证据包括 237 篇论文，主要（65%）侧重于诊断准确性（功效水平 2）。在这 100 种产品中，有 18 种有证据表明达到 3 级或更高级别，证实了其对诊断思维、患者结果或成本的（潜在）影响。现有证据中有一半（116/237）是独立的，并非由供应商（共同）资助或（共同）撰写。结论尽管放射学 AI 软件的商业供应已经拥有 100 种 CE 标志产品，但我们得出结论，该行业仍处于起步阶段。对于 64/100 种产品，缺乏关于其功效的同行评审证据。只有 18/100 种 AI 产品显示出（潜在的）临床影响。要点 • 尽管已经有 100 种带有 CE 标志的 AI 产品可供商业使用，但放射学人工智能仍处于起步阶段。• 100 种产品中只有 36 种产品有同行评审的证据，其中大多数研究表明其功效水平较低。• 放射学 AI 产品的部署策略、定价模型和 CE 标志类别多种多样。
Google Cloud Medical Imaging Suite (MIS) 在放射诊断中的价值
Cloud Healthcare API 允许在医疗保健应用程序和基于 Google Cloud 构建的解决方案之间轻松且标准化地交换数据。Cloud Healthcare API 支持流行的医疗保健数据标准（例如 HL7® FHIR®、HL7® v2 和 DICOM®），可提供完全托管、高度可扩展的企业级开发环境，用于在 Google Cloud 上安全地构建临床和分析解决方案。Cloud Healthcare API 还包括其他增值功能，例如自动 DICOM 和 FHIR 去标识化 (de-ID)，以便更好地为这些解决方案准备数据。
设计一个计算机辅助的诊断系统，用于心脏全面检测和放射学报告一代
抽象的胸部X射线（CXR）是用于心理评估的常规诊断工具，具有高度的成本效益和多功能性。然而，随着放射科医生评估的扫描数量越来越多，它们可能会遇到疲劳，这可能会阻碍诊断的准确性并减缓报告的生成。我们描述了计算机辅助诊断（CAD）管道启动计算机视觉（CV）和自然语言程序（NLP），该诊断（NLP）对公开可用的模拟物数据集进行了培训。我们执行图像质量评估，查看标签，基于分割的心脏肿大严重性策略，并将严重性分类的输出用于基于大语言模型的报告生成。四位认证的放射科医生评估了CAD管道的产出准确性。Across the dataset composed of 377,100 CXR images and 227,827 free-text radiology re- ports, our system identified 0.18% of cases with mixed- sex mentions, 0.02% of poor quality images (F1=0.81), and 0.28% of wrongly labelled views (accuracy 99.4%), furthermore it assigned views for 4.18% of images which have unlabelled views.对于二元心脏肥大的分类，我们实现了95.2％精度的最新性能。评估报告的语义和放射科医生的正确性的放射科医生协议为0.62（严格的协议）和0.85（放松的同意），类似于0.55（严格）和0.93（宽松）的放射科医生-CAD协议（放松）。未来的改进围绕着改进的文本生成和为其他分歧的CV工具开发。我们的工作发现并纠正了对模拟CXR数据集的几个不正确或缺失的元数据注释，并且我们的CAD系统的性能表明与人类的放射性人士相当。
COVID-19 疫苗强制接种：对放射科运营的影响及缓解策略
部门也不例外。在疫情初期，为了减缓疾病传播，由于门诊和非紧急影像学检查被推迟，放射科的影像量急剧下降，收入也随之下降 [1,2]。来自放射科在应对最早一波疫情时的报告和经验分享有助于其他部门做好准备，因为它们描述了影响程度（例如，预计按专科和治疗方式划分的影像量减少情况），并提出了缓解策略以最大程度地减少生产力损失并优化人员配置 [2-4]。随着疫情起起伏伏，影像量最终恢复到疫情前的水平；然而，研究表明，整个医疗系统（包括医生、护士和辅助人员）的焦虑和倦怠感增加，医护人员的压力也显而易见 [5,6]。COVID-19 变种的出现以及新疾病激增的持续威胁加剧了这些影响。
放射学界对人工智能认知助手的接受度：RSNA 收集数据报告
摘要：由于机器学习和人工智能 (AI) 的进步，机器作为放射科医生临床工作流程中的智能助手，正在扮演新的角色。但是这些机器使用什么系统的临床思维过程？它们是否与放射科医生的思维过程足够相似，可以被信任为助手？在 2016 年北美放射学会 (RSNA) 科学大会和年会上进行了这种技术的现场演示。演示以问答系统的形式呈现，该系统以放射学多项选择题和医学图像作为输入。然后，AI 系统演示了一个认知工作流程，包括文本分析、图像分析和推理，以处理问题并生成最可能的答案。向体验演示并测试问答系统的参与者提供了演示后调查。据报道，在 54,037 名会议注册者中，有 2,927 人参观了演示展台，1,991 人体验了演示，1,025 人完成了演示后调查。本文介绍了调查方法，并总结了调查结果。调查结果显示，放射科医生对认知计算技术和人工智能的接受程度非常高。
选择放射成像方式来满足患者需求并降低环境影响
每位来放射科就诊的患者都有不同类别的健康问题。根据诊断，每位患者都会得到适当的影像检查以辅助治疗。健康医院倡议 (HHI，www.healthierhospitals.org)、无害医疗 (www.https://noharm.org/) 和绿色健康实践 (www.https://practicegreenhealth.org/) 是医疗服务提供者为实现可持续发展而做出的重要努力。这一倡议提高了人们对能源利用的认识，并提供了衡量医院能源使用情况的工具。然而，患者医疗团队 (RN、MD、管理人员) 的联合决策以实现优质患者护理，同时降低环境影响的目标尚未得到广泛探索。本研究考察了使用美国放射学会 (ACR) 适当性标准作为类似的“通常适当”成像方式选择（即评级为 7、8 和 9）的指导，然后确定哪种是能耗较低的方式替代方案。总体而言，在十个 ACR 患者类别中（含 162 个子类别，总共 810 种变体），约有 48% 的患者病情存在类似的成像方式，且评级为“通常适用”。可互换性百分比最大的是心脏类别。因此，似乎存在选择低能量成像替代方案的潜力。作为示例，六种患者变体用于说明减少放射科能源使用的潜力。这些示例提供了近似的能量减少成像替代方案，如果选择这些替代方案，即使在 1%–10% 的患者病例中（相对于 48% 的比较“通常适用”成像），也将导致美国每年的医疗保健改善 2400 万至 2.4 亿千瓦时。这种适度的改善将直接促进放射学界的医疗保健可持续性，而无需任何技术变革。
利用变分自动编码器进行生成主动学习，用于兽医学放射学数据生成
摘要 — 近年来，随着人们对宠物保健的兴趣日益浓厚，兽医对计算机辅助诊断 (CAD) 系统的需求也随之增加。由于缺乏足够的放射学数据，兽医 CAD 的发展陷入停滞。为了克服这一挑战，我们提出了一种基于变分自动编码器的生成主动学习框架。此方法旨在缓解兽医 CAD 系统可靠数据的稀缺问题。本研究利用了包括心脏扩大放射图像数据和慢性肾病超声图像数据的数据集。在删除注释并标准化图像后，我们采用了一个数据增强框架，该框架包括数据生成阶段和用于过滤生成数据的查询阶段。实验结果表明，当通过该框架生成的数据添加到生成模型的训练数据中时，射线图像中的 frechet 起始距离从 84.14 减小到 50.75，超声图像中的 frechet 起始距离从 127.98 减小到 35.16。随后，当生成的数据被纳入分类模型的训练中时，混淆矩阵的真负数也从射线照片上的 0.16 提高到 0.66，超声图像上的真负数从 0.44 提高到 0.64。所提出的框架有可能解决医学 CAD 数据稀缺的挑战，从而促进其发展。