XiaoMi-AI文件搜索系统
World File Search SystemRADIOLOGY
大语言模型的医学解释对放射学诊断决策的影响
临床表现：一名59岁的妇女在右眼有4天的炎症和疼痛病史，在那里她已经失明了几年。慢性失明和最近的症状表明了一个长期存在的眼部问题，现在已经成为症状。成像发现：磁共振成像显示右轨道质量，表明受影响的眼睛有明显的病变。全身参与：腹部和胸部成像显示许多肝肿块，腹部和胸部淋巴结肿大以及椎骨硬化骨性疾病，表明广泛转移性疾病。眼病史：几年患者在眼中盲目的事实表明，长期存在的主要眼病，例如黑色素瘤，可以转移到其他器官。病理确认：将右眼夹紧用于姑息性缓解，并获得组织以进行诊断。摘除剂以控制症状并获得明确的诊断。症状相关性：轨道肿块，广泛的转移性病变和患者眼病史的组合强烈表明转移性眼部黑色素瘤。
专业人士对放射学引入人工智能创新的反应及其对未来应用的影响：一项定性研究
结果：我们发现，放射技师和放射科医生对人工智能的认识和知识各不相同。通过他们的专业网络、参加会议和与行业开发人员的联系，放射科医生可以获得更多信息，并更多地了解人工智能的潜在应用。相反，放射技师更多地依赖本地个人网络获取信息。我们的结果还表明，尽管两组人都认为人工智能创新为劳动力短缺提供了潜在的解决方案，但他们对人工智能创新对其专业角色的影响的看法存在很大差异。放射科医生认为人工智能有可能承担更多重复性任务，让他们专注于更有趣、更具挑战性的工作。他们不太担心人工智能技术可能会限制他们的专业角色和自主权。放射技师更担心人工智能技术可能对他们的角色和技能发展产生的潜在影响。他们对自己积极应对人工智能技术带来的潜在风险和机遇的能力缺乏信心。
2000 年至 2020 年医学人工智能出版物的趋势：放射学处于什么位置？
使用 PubMed 数据库进行出版物搜索。从 2000 年到 2020 年，所有与人工智能 (AI) 相关的出版物都使用以下 MeSH 术语进行选择：人工智能、神经网络、机器学习、深度学习、支持向量机、贝叶斯分析、聚类分析和主成分分析。通过将 MesH 术语与专业名称相结合来选择特定专业的人工智能研究。从 ERAS 专业列表中选择了 23 个专业关系。对于具有替代英式拼写的专业查询（例如儿科和骨科手术）进行了特别考虑，并区分了“儿科”和“内科/儿科”。排除了会产生重叠结果的搜索字符串，例如查询“医学 AND (儿科 OR 儿科)”的医学儿科。
基于人工智能的计算机辅助检测和诊断在儿科放射学中的诊断性能：系统评价
摘要：基于人工智能 (AI) 的计算机辅助检测和诊断 (CAD) 是放射学的一个重要研究领域。然而，目前只有两篇关于人工智能在儿科放射学中的一般用途和基于人工智能的 CAD 在儿科胸部成像中的叙述性评论发表。本系统综述的目的是研究基于人工智能的 CAD 在儿科放射学中的应用、其诊断性能及其性能评估方法。2023 年 1 月 11 日使用电子数据库进行了文献检索。纳入了 23 篇符合选择标准的文章。本综述表明，基于人工智能的 CAD 可应用于儿科脑、呼吸、肌肉骨骼、泌尿和心脏成像，尤其是用于肺炎检测。大多数研究（93.3%，14/15；77.8%，14/18；73.3%，11/15；80.0%，8/10；66.6%，2/3；84.2%，16/19；80.0%，8/10）报告的模型性能至少为 0.83（受试者工作特征曲线下面积）、0.84（敏感性）、0.80（特异性）、0.89（阳性预测值）、0.63（阴性预测值）、0.87（准确度）和 0.82（F1 分数）。然而，纳入的研究发现了一系列方法论缺陷（尤其是缺乏模型外部验证）。未来应开展更多基于 AI 的儿科放射学 CAD 研究，并采用完善的方法，以说服临床中心采用 CAD，并在更广泛的背景下实现其好处。
心脏病学和放射学影像学指南将于 2024 年 10 月 21 日生效 - UnitedHealthcare 社区计划
eviCore 将在使用内部标准政策之前用尽所有传统的 Medicare 政策、NCD 和 LCD。当内部创建的保险政策用于 Medicare 政策、NCD 或 LCD 尚未完全建立的特定情况时，内部标准补充的一般规定将包括当 Medicare 保险政策未解决所审查请求的参保人的具体临床表现时；或者 Medicare 政策中没有包含特定的保险标准，因为该政策提供了广泛的规定，这些规定可能具有指导意义，但不够详细，无法用于确定请求的医疗必要性。此外，当 Medicare 政策中包含允许超出 Medicare 政策中规定的保险范围的声明时，可以使用内部保险政策。
在放射学中实现公平性的道德要求：交叉性和社会嵌入方式
哈佛医学院通过机器学习（ML）系统的攻击性诊断系统通常被认为是客观且公平的。但是，它可能对某些患者亚组表现出偏见。造成这种情况的典型原因是ML系统筛查的疾病特征的选择，ML系统从人类临床判断中学习，这些判断通常是有偏见的，并且ML中的公平性通常被不当概念化为“平等”。具有此类参数的ML系统无法准确诊断并满足患者的实际健康需求以及他们如何依赖患者的社会身份（即交叉性）和更广泛的社会条件（即嵌入）。本文探讨了鉴于患者的交叉性和健康的社会嵌入性，以确保ML系统的公平性的道德义务。本文提出了一组干预措施来解决这些问题。它建议对ML系统的发展进行范式转移，使他们能够筛查内源性疾病原因和患者相关潜在的健康影响（例如社会经济的情况。本文提出了一个道德要求的框架，以建立这一转变并进一步确保公平。关键字：机器学习；公平正义;道德要求；放射学I型机器学习（ML）系统在临床护理环境中发现了在医疗保健监测，诊断和风险管理中的应用（Bates＆Zimlichman，2015; Chen等，2024; Obermeyer等，2019）。但是，此光环可能没有完全合理。需求集中患者的交叉性和健康的社会嵌入性，最值得注意的是（i）通过（i）整合到ML系统中，适用于患者情况对健康影响的可测量医学指标，（ii）在道德上，多样性，代表性和正确的患者数据，与相关的疾病特征和（III）相关的社会敏感性和（III）涉及的疾病以及（III）的敏感性和（iii）涉及的数据，以及涉及的研究，并涉及社会敏感的系统，并将其涉及互联网互动，并将其涉及互联网效果。利益相关者。在放射学中，ML系统用于协助或增强临床医生在各种图像获取，分析，解释，诊断和决策支持任务中的工作（Hanneman等，2024； Yu等，2024）。这种更广泛采用的主要驱动力似乎是ML系统在图像解释和精确方面的表现（Pot等，2021; Satariano等，2023; Yu等，2024）。所谓的“自动化偏见” - 人类对自动化系统产生的信息的有效性和预测能力的倾向”（Pot等，2021，p。7） - 赋予了ML ML系统，具有对象和公平性的AURA（Pot等，20211）。对实现这些高希望的主要挑战已被证明是ML偏见系统和相关不公平结果的流行（Gichoya等，2022，2023; Hanneman等，2024; Pot et al。，2021）。ML偏见的医疗保健访问和治疗不足，引起了ML系统引起或永久存在的整体不公平性的道德问题。实证研究已系统地记录了ML偏见系统的持久性和对历史上服务不足的患者人群的不公平治疗，包括放射学（Obermeyer等，2019; Gichoya et al。，2023; Seyyed-Kalantari-Kalantari-Kalantari-Kalantari et al。等，2022； Mukherjee等人，2022年）。
额外的智能眼睛：人工智能在急诊放射学腹盆腔病变成像中的应用
摘要：紧急情况下的成像风险很高。随着对专用现场服务的需求增加，急诊放射科医生面临着越来越大的图像量，需要快速的周转时间。然而，新型人工智能 (AI) 算法可以帮助创伤和急诊放射科医生进行高效、准确的医学图像分析，从而有机会增强人类的决策能力，包括结果预测和治疗计划。虽然传统的放射学实践涉及对医学图像的视觉评估以检测和表征病理，但 AI 算法可以自动识别细微的疾病状态，并根据形态图像细节（例如几何形状和流体流动）提供疾病严重程度的定量表征。总的来说，在放射学中实施 AI 带来的好处有可能提高工作流程效率，为复杂病例带来更快的周转结果，并减少繁重的工作量。尽管腹盆腔成像中人工智能应用的分析主要集中在肿瘤检测、定位和治疗反应上，但已经开发出几种有前景的算法用于紧急情况。本文旨在对新兴图像任务中使用的人工智能算法建立一般理解，并讨论将人工智能实施到临床工作流程中所涉及的挑战。
通过及时的工程改善LLM在放射学中的使用：从精确提示到零射击学习
目的大型语言模型（LLM）（例如ChatGpt）在放射学上显示出巨大的潜力。他们的有效性通常取决于及时的工程，这可以优化与聊天机器人的交互，以获得准确的结果。在这里，我们强调了迅速工程在调整LLMS对特定医疗任务的反应中的关键作用。使用临床案例的材料和方法，我们阐明了不同的提示策略，可以在没有基本模型的其他培训的情况下使用GPT4适应新任务的LLM CHATGPT。这些方法的范围从精确提示到高级内部文化方法，例如少量射击和零射击学习。此外，讨论了作为数据表示技术的嵌入的重要性。结果提示工程大大改善并助长了聊天机器人的输出。此外，嵌入规格 -
人工智能对纽约放射学诊断错误医疗事故索赔的潜在影响
过去的医疗事故数据来自国家执业医师数据库 (NPDB) 公共使用数据库和 Westlaw 法律研究数据库。过去的暴露数据包括活跃放射科医生的数量和成像程序，来自 Harvey L. Neiman 卫生政策研究所 (NHPI)。这些数据集中的信息被结合起来，以了解过去的已付索赔率和放射科医生诊断错误导致的医疗事故索赔的平均赔偿金额。然后将已付索赔率预测到 2030 年，基线预测基于历史经验，不受人工智能的影响。还制定了三种法律情景，以创建到 2030 年的另外三个预测，考虑到人工智能的影响以及随着人工智能的采用，法律框架的变化。与基线预测相比，这三种情景的未来已付索赔率的百分比减少在 5% 到 36% 之间，具体取决于法律情景。对以往陪审团裁决和已结案的索赔的回顾还表明，未来专注于乳房 X 线摄影和 MRI 模式以及乳房和大脑解剖学的人工智能发展可以减少大额索赔的数量，从而降低平均赔偿金额。然而，如果大额裁决的数量增加，人工智能的引入也有可能提高平均赔偿金额，这可能受到人工智能涉及医疗事故案件时陪审员情绪的影响。
欧洲儿科放射学会 (ESPR) 人工智能 (AI) 工作组：数字时代的新工作组
摘要 2021 年，在意大利罗马举行的国际儿科放射学 (IPR) 会议（欧洲儿科放射学会 [ESPR] 和儿科放射学会 [SPR] 联合举办的学会会议）上，成立了一个专门研究儿科放射学人工智能 (AI) 的新工作组。专门为 AI 设立一个独立工作组的概念源于 ESPR 领导的一项国际调查，该调查针对医疗保健专业人员对儿童影像科 AI 整合的看法、期望和担忧。在本次调查中，大多数 (> 80%) ESPR 受访者支持成立工作组并帮助确定我们的主要目标。这些目标包括为儿科放射科医生提供与 AI 相关的教育内容、为未来项目集思广益以及在整理数据集、去除图像身份信息和参与多案例、多读者研究方面合作开展与 AI 相关的研究。本文概述了 ESPR AI 工作组的起点以及我们希望实现的目标。