XiaoMi-AI文件搜索系统
World File Search System医学影像
医学影像数据的特征选择、属性选择的重要性、挑战和未来方向：综述
摘要：在模式识别和机器学习领域，特征在预测中起着关键作用。特征的著名应用包括医学成像、图像分类等。随着医疗数据存储库和医疗服务提供中信息投资的指数级增长，医疗机构正在收集大量数据。这些数据存储库包含支持医疗诊断决策和提高患者护理质量所必需的详细信息。另一方面，这种增长也使得理解和利用数据用于各种目的变得困难。由于较大数据集中存在无关特征，成像数据的结果可能会出现偏差。特征选择提供了减少如此大数据集中组件数量的机会。通过选择技术，排除不重要的特征并选择产生普遍表征精度的组件子集。找到好属性的正确决定会产生精确的分组模型，从而提高学习速度和预测控制。本文回顾了医学成像的特征选择技术和属性选择措施。本综述旨在描述医学领域的特征选择技术及其优缺点，并指出其在图像数据和数据挖掘算法中的应用。本综述揭示了现有特征和属性选择技术对多源数据的缺点。此外，本综述还提出了特征选择对于正确分类医学感染的重要性。最后，提供了批判性分析和未来方向。
COVID-19 医学成像向 AI 过渡的经验教训
摘要。2019 年冠状病毒病 (COVID-19) 大流行在世界各地造成了严重破坏。这也使得人们迫切需要开发有效的预测诊断方法，特别是应用于医学成像的人工智能 (AI) 方法。这促使来自多个学科的专家齐聚一堂，共同应对这场全球大流行，包括临床医生、医学物理学家、成像科学家、计算机科学家和信息学专家，以发挥这些领域的最佳水平来解决 COVID-19 大流行带来的挑战。然而，这种在极短时间内的融合产生了意想不到的后果，并带来了自身的挑战。作为医学影像数据和资源中心计划的一部分，我们讨论了三个相关学科（放射学、医学影像物理学和计算机科学）职业转型中吸取的教训，并通过分析与三种相关转型类型相关的挑战，根据这些经验提出建议：（1）非影像数据的人工智能到医学影像数据的人工智能，（2）医学影像临床医生到医学影像的人工智能，以及（3）医学影像的人工智能到 COVID-19 影像的人工智能。通过认识到这些职业转型之间的复杂性，可以更有效地从这些职业转型中吸取教训并实现知识的传播。在 COVID-19 医学影像向人工智能转型的过程中吸取的这些教训可以为未来的人工智能应用提供参考和增强，使整个转型大于每个学科的总和，以应对像 COVID-19 大流行这样的紧急情况或解决生物医学中的新问题。 © 2021 光学仪器工程师协会 (SPIE) [DOI: 10.1117/1.JMI.8.S1.010902]
利用人工智能和智能手机进行自动血涂片分析
• Poostchi Mahdieh 等人，使用薄血涂片显微镜对人类和小鼠进行疟原虫检测和细胞计数，医学影像杂志 5，第 4 期 (2018)：044506。• Feng Yang 等人，级联 YOLO：在薄血涂片中自动检测间日疟原虫，将于 2020 年 2 月 18 日至 20 日在美国休斯顿的 SPIE 医学影像大会上发表。
军队卫生服务 - become-a-military-doctor.fr
- 进行医学影像检查； - 参与与医学成像、核医学、功能探索相关的研究，为平民和军事患者的筛查、诊断、检测、治疗和研究做出贡献； - 管理医学影像设备和器械； - 为学生提供指导并传授知识； - 为战争伤员的护理、在国家和公共卫生危机（流行病、袭击、NRBC 袭击等）期间保护公民的健康以及为外部行动（OPEX）做出贡献。
牙科——使用人工智能的图像分析系统的验证数据集指南，第 1 部分：图像注释和数据收集
我们正在改编“放射学人工智能伦理：欧洲和北美多社会联合声明摘要”的摘录 [这是由 ACR、欧洲放射学会、RSNA、医学影像信息学学会、欧洲医学影像信息学学会、加拿大放射医师协会和美国医学物理学家协会制作的关于放射学人工智能伦理的国际多社会声明的简要摘要。] ，作为该标准的规范参考。以下针对牙科改编的摘录描述了他们如何应用最佳实践来保护患者免受人工智能滥用的原则，并提高所有关键利益相关者（即供应商、生产商、审计师、分析师、分销商和消费者）对该技术对患者护理的价值的认识。
2025年生物信息学与计算生物学国际学术会议
基因组学和疾病研究、高通量数据分析、网络生物学、计算遗传学、模型解释和可视 化、生物数据挖掘、比较基因组学、机器学习和医学影像分析、蛋白质结构与功能预测、 宏基因组学与微生物组、知识图谱构建、生物信息学工具开发、转录组学和表达谱的分析、 药物发现与设计、遗传流行病学、蛋白质组学、个性化医疗与精准医学、生物医学工程、 结构生物信息学、计算工具和软件开发、进化生物信息学、系统生物学、环境与生态计算 生物学和流行病学、计算生态学、序列分析、模式识别与生物信号处理、生物信息学与统 计分析、下一代测序技术、计算生物学与人工智能的融合、生物数据挖掘、处理与分析、 计算医学与临床应用、代谢组学、生物信息学工具与网络科学。
针对医学图像诊断模型的对抗性攻击及其缓解技术
深度学习是人工智能的一个分支，已被证明是改变医疗诊断和医疗保健的宝贵工具。通过高效分析海量数据集中的复杂模式，深度学习推动了医学影像分析、疾病检测和个性化医疗的重大进展。具体而言，在医学影像方面，深度学习算法在解释 MRI 扫描、X 射线和 CT 扫描方面表现出卓越的精度，有助于早期识别疾病并改善患者治疗效果。此外，这些模型可以分析广泛的患者数据，以支持疾病诊断和预后，最终实现更精确、更及时的诊断和治疗决策。虽然深度学习模型在医学诊断方面具有巨大潜力，但它们很容易受到对抗性攻击的操纵。这些攻击可能会造成严重后果，可能导致误诊并损害患者的健康。对抗性攻击涉及试图通过向模型提供精心制作的输入（称为对抗性示例）来欺骗模型做出错误的预测。这些示例是合法数据的修改版本，人类无法区分，但会导致模型非常肯定地对其进行错误分类。在医学影像分析领域，即使对医学图像进行微小的修改，例如添加难以察觉的噪声或进行微小的有针对性的修改，也会导致深度学习算法误解数据，从而可能导致误诊或错误的治疗建议。同样，在疾病诊断和个性化医疗方面，对手可能会篡改患者数据，诱使模型做出不准确的预测或诊断。
负责任的人工智能实践和人工智能教育是人工智能实施的核心：针对欧洲所有医学成像专业人员的快速审查
1 伦敦城市大学助产与放射学系，伦敦，英国 2 科孚综合医院医学影像系，康托卡利，希腊 3 纳尔逊·曼德拉大学健康科学学院临床护理科学学院放射学系，伊丽莎白港，南非 4 阿尔斯特大学健康科学学院，德里~伦敦德里，北爱尔兰 5 阿尔斯特大学健康科学学院，科莱雷恩，英国 6 都柏林大学学院，医学院，都柏林，爱尔兰 7 卢布尔雅那大学健康科学学院医学影像与放射治疗系，卢布尔雅那，斯洛文尼亚 8 悉尼大学医学与健康学院悉尼健康科学学院医学影像科学学科，悉尼，澳大利亚 9 放射技师协会与学院，伦敦，英国 10 弗里姆利健康 NHS 基金会，弗里姆利，英国 11荷兰 12 伦敦大学学院医院 NHS 信托神经放射学系，英国伦敦 13 伦敦大学学院神经病学研究所脑修复与康复系，英国伦敦 14 弗莱堡大学医学中心放射学系，德国弗莱堡 15 欧洲医学成像信息学学会，奥地利维也纳 16 欧洲放射学学会，奥地利 Am Gestade 17 法兰克福大学医院放射学系，德国法兰克福 18 科隆大学医院放射学系，德国科隆 19 瑞士西部应用科学与艺术大学（HES-SO）健康科学学院（HESAV），瑞士洛桑 20 格罗宁根大学医学中心格罗宁根大学放射肿瘤学系/健康数据科学中心（DASH），荷兰格罗宁根 21 科克大学学院，爱尔兰科克
面向公共卫生应用的临床成像创新
影像在内分泌紊乱早期诊断中的作用 / 糖尿病视网膜病变影像的人工智能驱动洞察：对公共健康的影响 / 代谢疾病的影像生物标志物：当前趋势和未来机遇 / 高血压和糖尿病的数字健康干预：来自 ITREC 模型的经验教训 通过医学影像和人工智能推进慢性病护理：来自内分泌学的洞察
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。