XiaoMi-AI文件搜索系统
World File Search System医学影像
筛查乳房 X 线摄影中的人工智能
a 荷兰格罗宁根大学语言与认知中心艺术学院助理教授兼教务委员会主席。b 荷兰格罗宁根大学医学中心格罗宁根大学医学影像中心放射科放射科医生。c 荷兰格罗宁根大学社会学系助理教授。d 荷兰格罗宁根大学医学中心格罗宁根大学放射科副主任。通讯作者及转载：Yfke P. Ongena，格罗宁根大学语言与认知中心、话语与交流小组，Oude Kijk in ‘ t Jatstraat 26, 9712 EK Groningen，荷兰；电子邮件：y.p.ongena@rug.nl。作者声明他们与本文讨论的材料没有利益冲突。Ongena 博士、Yakar 博士、Haan 博士和 Kwee 博士是非合伙人、非合伙人轨道员工。
金融领域的人工智能和机器学习
要消除算法偏差，仅仅从数据中排除受保护的属性（通过无意识实现公平）不仅不够，而且适得其反。即使排除受保护的指标，算法通过三角测量进行歧视的风险仍然存在，从而导致抵押贷款分配等出现歧视性结果（Fuster、Goldsmith-Pinkham 和 Ramadorai，2022 年）。统计模型会从数据中提取尽可能多的信息，以帮助它们优化性能，而机器学习模型在这项任务上表现出色：深度学习甚至可以从未标记的医学影像中预测种族（Banerjee 等人，2021 年）。相反，受保护的属性可用于主动监控、识别和纠正算法偏差。这种策略（通过意识实现公平）还允许使用机器学习模型主动检测现有决策过程中的偏差，无论是否自动化（Martinello、Mønsted、Matin、Steffensen 和 Laursen，2021 年）。
职位描述
本迪戈医疗中心拥有 4,500 多名员工和志愿者，占地面积为维多利亚州的四分之一，是一家不断扩张的区域医疗服务机构，既提供城市生活的优势，又能享受到区域生活的美丽和自由。本迪戈医疗中心拥有 700 张床位，每年治疗超过 45,000 名住院患者，分诊超过 65,000 名急诊患者，并接收超过 1,600 名新生儿。此外，我们的手术室还实施了超过 15,000 例手术，我们的诊所为门诊患者提供了超过 100,000 次服务。该组织为洛登马利地区的人们提供急诊、产科、妇女健康、医学影像、病理学、康复、社区服务、住宅老年护理、精神病护理、社区牙科、临终关怀/姑息治疗、心脏病学、癌症服务和肾透析等服务。
全面回顾人工智能......
前所未有的新冠病毒疫情（COVID-19）爆发，从教育、经济、社会保障、公共卫生等各个方面严重影响了世界各国。大多数政府都做出了巨大努力来控制COVID-19的蔓延，例如封锁重灾区城市、提倡民众戴口罩等。然而，一些国家和地区的医疗条件相对较差，存在医疗设备不足、医院容量超负荷、人员短缺等问题，导致疫情大规模蔓延。人工智能（AI）凭借其独特的优势，在医学影像、临床数据、药物研发、疫情预测、远程医疗等方面发挥着极其重要的作用。因此，人工智能是一种强大的工具，可以帮助人类解决复杂问题，尤其是在抗击COVID-19中。本研究旨在分析过去的研究成果，从五个方面解读人工智能在COVID-19防治中的作用。本文还讨论了不同领域的未来发展方向，并通过实验证明了模型的有效性，这将有助于研究人员开发更有效的模型来控制COVID-19的传播。
让人工智能在医疗保健领域发挥责任感
• 确保具有人类属性（语音或视觉）的人工智能医疗系统不会欺骗人类，这一点很重要；它们应该明确地介绍自己是人工智能代理。它们还必须允许患者自由地做出与健康相关的决定，而不受胁迫或过度压力（Reddy 等人，2020 年）。 • 临床决策的透明度和解释对于医学影像分析和临床风险预测至关重要（Blobel 等人，2020 年） • 当患者数据可能与人工智能开发人员共享时，必须有一个流程来征求患者的充分知情同意，如果征求批准不可行/不切实际，则必须对数据进行匿名化，以便开发人员无法识别单个患者的详细信息（O'Sullivan 等人，2019 年）。 • 修改机构政策和指南，确保患者了解治疗医生正在借助人工智能应用的支持，了解这些应用的局限性，以及患者在相关情况下可以拒绝涉及人工智能的治疗（Reddy 等人，2020 年）。
医学成像的人工智能和机器学习：技术综述
人工智能 (AI) 最近成为一个非常流行的流行词，这是颠覆性技术进步和令人印象深刻的实验结果的结果，尤其是在图像分析和处理领域。在医学领域，以图像为中心的专业，如放射学、病理学或肿瘤学，已经抓住了机遇，并在研发方面投入了大量精力，将人工智能的潜力转移到临床应用上。随着人工智能成为典型医学影像分析任务（如诊断、分割或分类）的更主流工具，安全有效地使用临床人工智能应用的关键在一定程度上依赖于知情的从业者。本综述旨在介绍人工智能的基本技术支柱，以及最先进的机器学习方法及其在医学成像中的应用。此外，我们还讨论了新的趋势和未来的研究方向。这将有助于读者了解 AI 方法如何成为任何医学图像分析工作流程中无处不在的工具，并为基于 AI 的解决方案的临床实施铺平道路。
标题 人工智能和机器学习在医学成像中的应用：技术综述
人工智能 (AI) 最近成为一个非常流行的流行词，这是颠覆性技术进步和令人印象深刻的实验结果的结果，尤其是在图像分析和处理领域。在医学领域，以图像为中心的专业，如放射学、病理学或肿瘤学，已经抓住了机遇，并在研发方面投入了大量精力，将人工智能的潜力转移到临床应用上。随着人工智能成为典型医学影像分析任务（如诊断、分割或分类）的更主流工具，安全有效地使用临床人工智能应用的关键在一定程度上依赖于知情的从业者。本综述旨在介绍人工智能的基本技术支柱，以及最先进的机器学习方法及其在医学成像中的应用。此外，我们还讨论了新的趋势和未来的研究方向。这将有助于读者了解 AI 方法如何成为任何医学图像分析工作流程中无处不在的工具，并为基于 AI 的解决方案的临床实施铺平道路。
多模态磁共振在缺血性脑卒中评估中的运用进展
[1] Murray CJL, Aravkin AY, Zheng P, et al.Global burden of 87 risk factors in 204 countries and territories, 1990 – 2019: a systematic analysis for the Global Burden of Disease Study 2019[J].Lancet, 2020, 396 (10258): 1223-1249.[2] 王增武 , 马志毅 , 薛素芳 , 等 .基层冠心病与缺血性脑卒中共患管理 专家共识 2022[J].中国心血管病研究 , 2022, 20(9): 772-793.[3] 王拥军 , 李子孝 , 谷鸿秋 , 等 .中国卒中报告 2020 （中文版） (1)[J].中 国卒中杂志 , 2022, 17(5): 433-447.[4] Langhorne P, Bernhardt J, Kwakkel G. Stroke rehabilitation[J].Lancet, 2011, 377(9778): 1693-1702.[5] Xing Y, Bai Y.A Review of Exercise-Induced Neuroplasticity in Ischemic Stroke: Pathology and Mechanisms[J].Mol Neurobiol, 2020, 57 (10): 4218-4231.[6] Guggisberg AG, Koch PJ, Hummel FC, et al.Brain networks and their relevance for stroke rehabilitation[J].Clin Neurophysiol, 2019, 130(7): 1098-1124.[7] Lutsep HL, Albers GW, Decrespigny A, et al.Clinical utility of diffusion-weighted magnetic resonance imaging in the assessment of ischemic stroke[J].Ann Neurol, 1997, 41(5): 574-580.[8] 于帆 , Arman Sha, 张苗 , 等 .人工智能在急性缺血性脑卒中影像的研 究进展 [J].中华老年心脑血管病杂志 , 2023, 25(3): 334-336.[9] 李华 , 郭春锋 , 高连荣 .FLAIR 及 DWI 序列在诊断脑血管周围间隙 中的价值 [J].医学影像学杂志 , 2015, 25(8): 1341-1343.[10] Scheldeman L, Wouters A, Dupont P, et al.Stroke, 2022, 53(5): 1665-1673.[11] Thomalla G, Simonsen CZ, Boutitie F, et al.MRI-Guided Thrombolysis for Stroke with Unknown Time of Onset[J].[15] 蔡建新 , 彭如臣 .扩散加权成像和流体且反转的恢复定量定量，以预测不明发作的缺血性中风中的易流性恢复不匹配的恢复不匹配状态[J]。《新英格兰医学杂志》，2018，379（7）：611-622。[12] Legrand L，Turc G，Edilali M等。根据Flair血管高压不匹配而受益于血栓切除术后血运重建[J]。Eur Radiol，2019，29（10）：5567-5576。[13] Xie Y，Oppenheim C，Guillemin F等。预处理病变量会影响临床结果和血栓切除术的功效[J]。Ann Neurol，2018，83（1）：178-185。 [14] Raoult H，Lassalle MV，Parat B等。 基于DWI的算法可预测急性中风血栓切除术治疗的患者的残疾[J]。 Am J Neuroradiol，2020，41（2）：274-279。 弥散张量磁共振成像方法概述[J]。 医学影像学杂，2007，17（10）：1119-1122。 [16] Qiu A，Mori S，Miller MI。 扩散张量成像，用于理解早期生命中大脑发育[J]。 Ann Rev Psychol，2015，66：853-876。 [17] Corroenne R，Arthuis C，Kasprian G等。 胎儿大脑的扩散张量成像：有前途技术的原理，潜力和局限性[J]。 超声产科妇科，2022，60（4）：470-476。 [18] Andica C，Kamagata K，Hatano T等。 源自扩散成像的退化性脑疾病的生物标志物[J]。 J Magn Reson Imaging，2020，52（6）：1620-1636。 [19] Groisser BN，哥伦WA，Singhal AB等。 NeuroRehabil神经修复，2014，28（8）：751-760。Ann Neurol，2018，83（1）：178-185。[14] Raoult H，Lassalle MV，Parat B等。基于DWI的算法可预测急性中风血栓切除术治疗的患者的残疾[J]。Am J Neuroradiol，2020，41（2）：274-279。弥散张量磁共振成像方法概述[J]。医学影像学杂，2007，17（10）：1119-1122。[16] Qiu A，Mori S，Miller MI。扩散张量成像，用于理解早期生命中大脑发育[J]。Ann Rev Psychol，2015，66：853-876。 [17] Corroenne R，Arthuis C，Kasprian G等。 胎儿大脑的扩散张量成像：有前途技术的原理，潜力和局限性[J]。 超声产科妇科，2022，60（4）：470-476。 [18] Andica C，Kamagata K，Hatano T等。 源自扩散成像的退化性脑疾病的生物标志物[J]。 J Magn Reson Imaging，2020，52（6）：1620-1636。 [19] Groisser BN，哥伦WA，Singhal AB等。 NeuroRehabil神经修复，2014，28（8）：751-760。Ann Rev Psychol，2015，66：853-876。[17] Corroenne R，Arthuis C，Kasprian G等。胎儿大脑的扩散张量成像：有前途技术的原理，潜力和局限性[J]。超声产科妇科，2022，60（4）：470-476。[18] Andica C，Kamagata K，Hatano T等。源自扩散成像的退化性脑疾病的生物标志物[J]。J Magn Reson Imaging，2020，52（6）：1620-1636。[19] Groisser BN，哥伦WA，Singhal AB等。NeuroRehabil神经修复，2014，28（8）：751-760。皮质脊髓扩散异常[J]。[20] Kumar P，Kathuria P，Nair P等。使用扩散张量成像的亚急性缺血性卒中后上肢运动恢复的预测：系统评价和荟萃分析[J]。J Stroke，2016，18（1）：50-59。[21] Soulard J，Huber C，Baillieul S等。运动道完整性预测步行恢复：亚急性中风中的扩散MRI研究[J]。神经病学，
英国景观中的 AI 实施 - City Research Online
a 英国伦敦城市大学助产与放射学系 b 希腊科孚综合医院医学影像系 c 英国伦敦放射技师协会与学院 d 英国皇家马斯登 NHS 基金会信托 e 英国伦敦城市大学健康与心理科学学院 f 英国哈迪安健康质量保证与监管事务 g 英国哈迪安健康 h 英国弗里姆利健康 NHS 基金会信托 i 英国博尔顿 NHS 基金会信托 j 英国伦敦国王学院生物医学工程与成像科学学院国王技术评估中心 (KiTEC) k 爱尔兰科克大学医学成像与放射治疗学科 l 英国伦敦放射技师协会与学院 AI 咨询小组 m 奥地利维也纳欧洲医学成像信息学学会 n 葡萄牙库米埃拉欧洲放射技师协会联合会
精准医疗：利用人工智能改善诊断和医疗保健
COVID-19 疫情凸显了医疗体系中长期存在的不平等和裂痕。（Bambra 等人，2020 年）根据疫情带来的启示，未来的医疗保健必须更加公平、更加个性化、更具成本效益。与此同时，多个领域的技术飞速发展导致了大量数据的产生——从医学成像到测序和基因组学技术，再到电子健康记录 (EHR)。精准医疗的最终目标是利用这些大型数据集来改善医疗服务；然而，这需要开发用于解析大规模多模态数据的方法和工具。在这里，我们回顾了一些旨在满足这些需求的研究，并以 2022 年太平洋生物计算研讨会 (PSB) 上“精准医疗：使用人工智能改善诊断和医疗保健”会议中已接受的论文为例。这项研究的最新趋势表明，越来越多的工作利用人工智能 (AI) 分析复杂的医疗数据，例如解释医学影像或预测传染病，以及开发更复杂的工具来深入了解基因组学和多组学数据。