XiaoMi-AI文件搜索系统
World File Search SystemX光
椎体心脏评分机的诊断验证机器学习算法的犬横向X光片
VHS是排除或消除狗心脏病的有用工具（Guglielmini等人。2009）。 当可将二极管造影不可行时，VHS也可以用作识别B2期退行性瓣膜疾病患者的替代品，这是启动心脏疗法的阈值（ITO 2022）。 补充，随着时间的推移，VHS的绝对VHS和变化已被证明可以预测多项研究的心力衰竭开始（Boswood等人。 2016，2020）。 VHS确实具有一定的可变性来源。 两项荧光镜研究的平均变化在心脏周期的收缩期和舒张期之间的平均变化约为0.3至0.4。 在呼吸周期的灵感和外向阶段之间也可以平均变化0.2椎骨（Olive etal。 2015）。 最后，人类的可变性研究表明，不同读取器的平均差异约为0.4至1.0椎骨（Hansson等人。 2005）。 最近，用于支持兽医心脏病学临床诊断的计算机辅助算法的开发已经增加（Burti等人 2020，Li等。 2020）。 计算机辅助的临床决策支持提高了依从性临床指南（Taheri Moghadam等人。 2021）。 此外，由于人类疲劳，注意力不集中和分心，常规诊断期间的人为错误通常是不可避免的（Alexander 2010，Waite等，Waite等人。 2017）。 2021，Baisan＆Vulpe 2022，Wiegel等。2009）。当可将二极管造影不可行时，VHS也可以用作识别B2期退行性瓣膜疾病患者的替代品，这是启动心脏疗法的阈值（ITO 2022）。补充，随着时间的推移，VHS的绝对VHS和变化已被证明可以预测多项研究的心力衰竭开始（Boswood等人。2016，2020）。VHS确实具有一定的可变性来源。两项荧光镜研究的平均变化在心脏周期的收缩期和舒张期之间的平均变化约为0.3至0.4。在呼吸周期的灵感和外向阶段之间也可以平均变化0.2椎骨（Olive etal。2015）。最后，人类的可变性研究表明，不同读取器的平均差异约为0.4至1.0椎骨（Hansson等人。2005）。 最近，用于支持兽医心脏病学临床诊断的计算机辅助算法的开发已经增加（Burti等人 2020，Li等。 2020）。 计算机辅助的临床决策支持提高了依从性临床指南（Taheri Moghadam等人。 2021）。 此外，由于人类疲劳，注意力不集中和分心，常规诊断期间的人为错误通常是不可避免的（Alexander 2010，Waite等，Waite等人。 2017）。 2021，Baisan＆Vulpe 2022，Wiegel等。2005）。最近，用于支持兽医心脏病学临床诊断的计算机辅助算法的开发已经增加（Burti等人2020，Li等。 2020）。 计算机辅助的临床决策支持提高了依从性临床指南（Taheri Moghadam等人。 2021）。 此外，由于人类疲劳，注意力不集中和分心，常规诊断期间的人为错误通常是不可避免的（Alexander 2010，Waite等，Waite等人。 2017）。 2021，Baisan＆Vulpe 2022，Wiegel等。2020，Li等。2020）。计算机辅助的临床决策支持提高了依从性临床指南（Taheri Moghadam等人。2021）。此外，由于人类疲劳，注意力不集中和分心，常规诊断期间的人为错误通常是不可避免的（Alexander 2010，Waite等，Waite等人。2017）。2021，Baisan＆Vulpe 2022，Wiegel等。此外，可以根据狗品种，身体状况和心脏状况进行VHS测量的其他差异来源（Puccinelli等人。2022）。本研究的目的是评估使用简化的Sanchez方法的使用VHS算法的性能与使用Buchanan方法在三位董事会认证的兽医心脏病学家之间分配的1200个X光片相比，使用了1200个X射线照片。
胸部X光片诊断AI的诊断不足偏置可以通过数据集偏置属性进行分解和缓解
抽象不平等的诊断准确性是基于AI的模型的广泛关注点。然而，当前的偏差表征是狭窄的，并且无法说明上游数据收集的系统偏见，从而将AI性能的不平等现象与偏见混合在一起，这是由于数据集本身的分布差异。此差距具有广泛的含义，导致降低偏见的策略无效。我们介绍了一种新颖的回顾性模型评估程序，该程序识别并表征了解释人口级诊断差异的受保护群体之间的分布差异的贡献。在三个大规模的胸部射线照相数据集中，我们一直发现年龄和混淆图像属性（例如病理类型和大小）的分布差异有助于跨种族亚组的模型性能较差。通过系统地将观察到的不足诊断偏见归因于由于数据收购过程中的偏差或数据集偏见而引起的分布差异，我们提出了一种通用方法，用于解散不同类型的数据集偏置如何相互作用和化合物以造成可观的AI性能差异。我们的方法是可以采取行动的，可以帮助设计针对特定亚群的基础模型的目标干预措施，而不是忽略上游数据偏见不平等AI性能的系统贡献的方法。
乳房X光检查中的人工智能：外部验证的系统评价
我们筛选了过去十年（2014 年 1 月 - 2024 年 4 月）的英文出版物。对基于乳房 X 线摄影的乳腺癌检测 AI 算法进行外部验证（单独验证或与放射科医生联合验证）的研究均被纳入。我们排除了提供算法训练细节、使用 AI 评估未来癌症风险、内部验证算法（代表算法开发中使用的相同样本的真实结果）或使用用于训练和开发各种深度学习模型的公共图像数据库进行外部评估算法的研究。同时提供内部和外部验证的研究仅被考虑在外部验证的结果中。系统评价还排除了未报告基于准确度、灵敏度、特异性和/或 ROC 曲线下面积 (AUC) 的发现的研究。我们的方法基于 PRISMA 策略，可以在图 1 中表示的方案中看到。
![[开放柜台] 乳腺癌检查（双向乳房X光](/simg/4/42808c3067725d2b826e6d351a3cdd7aeceb6f28.png)
现在利用人工智能软件进行乳房X光检查
我们已经确定，通过利用该软件作为辅助工具，患者可能会受益于更高的准确性、更快的结果和更低的召回率。该软件旨在与放射科医生同时工作，而不是作为独立选项。约翰霍普金斯大学已经在使用计算机辅助检测软件，因为这是行业标准，这款人工智能软件是一种更先进的选择，使我们能够继续提供高质量的患者护理。
通过GAN反演的隐式嵌入式高分辨率胸部X光片
摘要。生成模型允许创建高度现实的人造样品，从而在医学成像中开放了有希望的应用。在这项工作中，我们提出了一种基于多阶段编码器的方法，以将生成对抗网络（GAN）的发电机倒入高分子胸部X光片。这可以直接访问其隐式形成的潜在空间，使生成模型更容易被研究人员访问，并使其能够将生成技术应用于实际患者的图像。我们研究了此嵌入的各种应用程序，包括图像压缩，编码数据集中的分离，引导图像ma-nipulation以及创建程式化样品的创建。我们发现，这种类型的GAN反转是胸部X光片建模领域的一个有希望的研究方向，并为将现实的X射线样品合成与放射学图像分析结合起来开辟了新的方法。
在胸部X光片及其成像工作中检测到的retocardiac不透明性：图片评论
摘要腹置空间是胸部X光片的一个棘手区域，在胸部X光片中，经常错过异常的密度。病变会产生晚期压力症状。早期检测和对逆行心态的适当评估可以帮助放射科医生在明显的临床体征和症状之前确定诊断。我们提出了10例患者的病例系列，额叶胸部放射线中偶然检测到的深层不透明度，并通过其他成像方式进一步评估，例如横向X光片，计算机断层扫描（CT）或磁共振成像（MRI）以建立诊断。最终诊断包括先天性疾病，例如食管复制囊肿和支气管囊肿；炎性疾病，如肝炎，肺脓肿和肺炎肺炎；主动脉动脉瘤等血管状况；诊断性疝等diaphragmatragication；以及罕见的肿瘤，例如心脏乳头状瘤，肺神经内分泌肿瘤和神经节瘤。还讨论了有助于诊断后心动过心的基本迹象。
开发一种基于人工智能的方法，用于诊断从犬胸部X光片
开发并测试了一种基于人工智能（AI）的算法，以对犬胸部X光片的不同级别二尖瓣疾病（MMVD）的不同阶段进行分类。从两个不同机构的医疗数据库中选择了X光片，考虑到6岁以上的狗经历了胸部X射线和超声心动图检查。只有X光片清楚地显示出心脏轮廓。卷积神经网络（CNN）均在左右侧面和/或腹侧或腹侧或室内视图上训练。根据美国兽医内科学院（ACVIM）指南将每只狗分类为B1阶段，B2或C +D。RESNET18CNN用作分类网络，并使用混淆矩阵，接收器操作特征曲线以及T-SNE和UMAP预测评估结果。曲线下的面积（AUC）在确定阶段B1，B2和C + D的AUC的MMVD阶段时表现出良好的心脏CNN性能。该算法在预测MMVD阶段的高精度表明，它可以作为解释犬胸部X光片的有用支持工具。
深度学习算法估计胸部X光片 -
结果：内部和外部验证集的预测年龄的平均绝对错误分别为4.803年和4。313年。性别分析曲线下的面积分别为0.9993和0.9988，分别在内部和外部验证集中。Patients whose CXR age was 5 years older than chronologic age lead to higher risk of all-cause mortality (haz- ard ratio (HR): 2.42, 95% con fi dence interval (CI): 2.00 – 2.92), cardiovascular (CV)-cause mortality (HR: 7.57, 95% CI: 4.55 – 12.60), new-onset heart failure (HR: 2.07, 95% CI: 1.56 – 2.76), new-onset chronic kidney disease (HR: 1.73, 95% CI: 1.46 – 2.05), new-onset acute myocardial infarction (HR: 1.80, 95% CI: 1.12 – 2.92), new-onset stroke (HR: 1.45, 95% CI: 1.10 – 1.90),新的冠状动脉疾病（HR：1.26，95％CI：1.04 - 1.52）和新发行的心房效果（HR：1.43，95％CI：1.01 - 2.02）。
在日常临床实践中成功实施基于人工智能的胸部X光计算机辅助检测系统
因其成本低、扫描时间短、适应症广泛等优势，已成为一种诊断工具 [1]。在日常实践中，胸部 X 光片通常用于健康检查、术前风险评估、住院前的常规筛查以及对有症状的心肺疾病患者的评估 [2]。由于胸部 X 光片通常不包含明显的异常，但其分析需要仔细检查复杂的结构，因此读者忽视异常的风险很大 [1,3]。大量检查带来的繁重工作量给放射科医生带来了进一步的困难。因此，基于人工智能的计算机辅助诊断 (AI-CAD) 可以作为第二意见，提高放射科医生诊断的效率和准确性 [1,4,5]。此外，人工智能还可以在日常实践中帮助转诊临床医生进行胸部 X 光检查 [6,7]。当临床医生观察胸部X光片时，可能无法获得官方放射学报告。在这种情况下，使用X光片做出的医疗决定是基于转诊临床医生而不是放射科医生的解读，这种情况可能尤其发生在门诊或急诊室。根据经验水平，转诊临床医生有时可能对自己对胸部X光片的解释缺乏信心，并且可能无意中没有咨询肺病学或胸外科专家[8]。此外，他们可能会因为担心忽视患者的问题而要求进行不必要的CT扫描或后续影像检查。目前，对AI的期望越来越高，转诊临床医生意识到AI可能能够支持他们的决策过程[9,10]。许多