XiaoMi-AI文件搜索系统
World File Search SystemRadiology
放射学人工智能：方法的系统评价和评估 (RAISE)
摘要 目的 目前，人工智能 (AI) 应用于临床放射学的研究已非常丰富。然而，这些研究的设计和质量各不相同，而且缺乏对整个领域的系统评价。本系统评价旨在确定所有使用深度学习进行放射学研究的论文，以调查文献并评估其方法。我们旨在确定文献中正在解决的关键问题，并确定所采用的最有效方法。方法 我们遵循 PRISMA 指南，对 2015 年至 2019 年发表的放射学人工智能研究进行了系统评价。我们发表的方案是前瞻性注册的。结果 我们的搜索产生了 11,083 个结果。审查了 767 篇全文，纳入了 535 篇文章。98% 是回顾性队列研究。纳入的患者中位数为 460。大多数研究涉及 MRI（37%）。神经放射学是最常见的亚专科。88% 的研究使用了监督学习。大多数研究进行了分割任务（39%）。37% 的研究使用最先进的模型进行性能比较。最常用的既定架构是 UNet（14%）。最常用的评估指标的中位性能为 Dice 0.89（范围 .49 – .99）、AUC 0.903（范围 1.00 – 0.61）和准确度 89.4（范围 70.2 – 100）。在 77 项对其结果进行了外部验证并允许直接比较的研究中，外部验证后的性能平均下降了 6%（范围从增加 4% 到下降 44%）。结论 本系统评价调查了 AI 在临床放射学中的重大进展。要点 • 虽然有许多论文报告了使用深度学习在放射学中取得的专家级结果，但大多数论文仅将狭窄范围的技术应用于狭窄的用例选择。• 文献以回顾性队列研究为主，外部验证有限，存在很高的偏见可能性。• 最近出现的 AI 扩展系统报告指南和前瞻性试验注册以及对外部验证和解释的关注表明，AI 的炒作有可能从代码转化为临床。
ACR 放射科住院医师培训项目健康课程
背景：医疗失误相当复杂，对该主题的深入分析已导致从指责文化转变为促进无指责环境的安全文化。沿着这一思路，质量改进的概念已获得发展势头，组织通过持续流程实施系统以防止发生错误，该流程不断评估潜在问题并提出新方法以确保问题得到纠正。创建多层系统控制可以降低故障/错误发生的可能性，但没有一个系统是万无一失的。尽管研究发现绝大多数医疗失误是由系统性问题而非个人因素引起的，但人为因素仍然与医疗失误有关。詹姆斯·里森 (James Reason) 提出了“瑞士奶酪”人为失误陷阱模型，将人为失误比作瑞士奶酪上的洞。该模型解释道，尽管危险和事故之间有多层防御措施，但每层都存在缺陷（漏洞），一旦这些缺陷出现，就可能导致事故发生。
诊断放射学中的人工智能
摘要：人工智能 (AI) 是近十年来医疗保健行业最具革命性的发展，其中诊断成像占比最大。机器学习和深度学习 (DL) 是人工智能的子类，在图像分析方面表现出突破性的性能。它们已成为图像分类和识别领域的最新技术。机器学习涉及从图像中提取重要的特征，而 DL 使用神经网络来解决此类问题并获得更好的性能。在这篇综述中，我们讨论了机器学习和 DL 在诊断放射学领域的当前应用。深度学习应用可分为医学影像分析和分析以外的应用。在医学影像分析领域，深度卷积神经网络用于图像分类、病变检测和分割。循环神经网络也用于从电子病历中提取信息，并增强卷积神经网络在图像分类领域的应用。生成对抗网络已明确用于生成高分辨率计算机断层扫描和磁共振图像，以及从相应的磁共振成像中映射计算机断层扫描图像。除了图像分析之外，DL 还可用于质量控制、工作流程组织和报告。
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。
已发布版本的引文 (APA)：Dudurych, I.、Garcia-Uceda, A.、Saghir, Z.、Tiddens, H. A. W. M.、Vliegenthart, R. 和 de Bruijne, M. (2021)。根据初始气道分割创建人工智能训练集。欧洲放射学实验，5(1)，第 54 条。https://doi.org/10.1186/s41747-021-00247-9
气道分割对于肺部疾病研究很重要，但需要训练有素的专家花费大量时间。我们使用公开可用的软件来改进从人工智能 (AI) 工具获得的气道分割，并重新训练该工具以获得更好的性能。使用之前在丹麦肺癌筛查试验和 Erasmus-MC Sophia 数据集上训练过的 3D-Unet AI 工具从低剂量胸部计算机断层扫描中获得 15 个初始气道分割。在 3D Slicer 中手动校正分割。校正后的气道分割用于重新训练 3D-Unet。自动获取气道测量值，包括从分割中每代计数、气道长度和管腔直径。每次扫描校正分割需要 2 – 4 小时。与初始分割相比，手动校正的分割具有更多分支（p < 0.001）、更长的气道（p < 0.001）和更小的管腔直径（p = 0.004）。与初始分割相比，重新训练的 3D-Unets 的分割趋向于更多分支和更长的气道。从第 6 代开始，气道的变化最大。手动校正可显着改善分割，并且可能是一种有用且省时的方法，可以提高特定医院或研究数据集上的 AI 工具性能。
IHE 放射学白皮书 – 影像中的 AI 互操作性
3.6.3 执行推理 ................................................................................................................ 81 3.6.4 创建结果 ................................................................................................................ 82 3.6.5 传递结果 ................................................................................................................ 83 3.6.6 使用结果 ................................................................................................................ 85 3.7 反馈用例 ................................................................................................................ 87 120
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。
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
使用多模式放射学的神经胶质瘤分类... -orca
摘要。神经胶质瘤是脑肿瘤，死亡率高。该肿瘤有各种等级和子类型，并且治疗过程相应地变化。临床医生和肿瘤学家根据视觉检查放射学和组织学数据来诊断并诊断这些肿瘤。但是，此过程可能是耗时且主观的。计算机辅助方法可以帮助临床医生做出更好，更快的决定。在本文中，我们提出了使用放射学和组织病理学图像同时，提出了将神经胶质瘤自动分类为三种亚类型的管道。所提出的方法实现了用于放射性和组织学模式的不同分类模型，并通过结合方法将它们结合在一起。分类算法最初通过深度学习方法执行瓷砖级（用于组织学）和切片级别（用于放射学）进行分类，然后将瓷砖/切片级的潜在特征合并为全幻灯片和全磁盘子和全磁性子类别的预测。使用CPM-RadPath 2020挑战中提供的数据集评估了分类算法。提议的管道达到了0.886的F1得分，共同的KAPPA得分为0.811，平衡精度为0.860。所提出的模型对各种特征的端到端学习的能力使其能够对神经胶质瘤肿瘤亚型的可比预测。
放射学人工智能面临的巨大挑战
几十年来，快速、高质量的放射图像采集一直是一项重大挑战，而且仍然是一项巨大的挑战。如何加快 MRI 和 CT 扫描等图像数据采集速度一直是人们关注的焦点，以提高效率和患者安全等。为此，已开发并报告了许多用于快速、高质量放射图像重建的 AI 技术（2），在某些情况下，静脉造影剂的剂量大大减少，辐射剂量也更低。可以预见，这些新的图像数据采集技术将继续得到开发，以造福患者、放射科医生和放射临床流程。此外，人工智能可以在整合和优化放射数据采集工作流程中发挥重要作用，例如，最近一个成功的例子是 COVID-19 大流行期间的非接触式患者定位系统 ( 3 )，该系统自动校准、定位和多视图合成组件，无需身体接近即可对患者进行扫描。本期刊的放射学人工智能专业将鼓励和欢迎解决人工智能赋能的图像数据采集各个方面的投稿。