XiaoMi-AI文件搜索系统
World File Search System放射学
放射学诊断程序 - Medicare Advantage覆盖范围
Medicare预防服务-MLN教育工具，网址为https://www.cms.gov/medicare/prevention/prevntiongeninfo/medicare-preventive-services/mps-quickreferencechart-1.html。本地覆盖范围的确定（LCD/本地覆盖范围文章（LCA）存在，并且需要在适用的情况下遵守这些政策。这些LCD/LCA可在https://www.cms.gov/medicare-coverage-database/search.aspx上找到。（2023年11月14日访问）计算机断层扫描（CT扫描）以获取覆盖指南，请参阅NCD有关计算机层析成像（220.1）。本地覆盖范围确定（LCD）/本地覆盖范围文章（LCA）存在，并且在适用的情况下需要遵守这些政策。这些LCD/LCA可在https://www.cms.gov/medicare-coverage-database/new--creens/earch.aspx上找到。For states/territories with no LCDs/LCAs , for uses of CT scans not specifically addressed by the National Coverage Determination (NCD) for Computerized Tomography (220.1) , refer to the following for coverage guidelines: • For regions/states/territories involved in the UnitedHealthcare Radiology Prior Authorization and Notification Program , refer to the UnitedHealthcare Medicare Advantage Plans Radiology and Cardiology Clinical指南https://www.uhcprovider.com/en/prior-auth-auth-advance-notification/radiology-prior-authorization.html。•对于不参与联合医疗放射学的地区/州/国家/地区事先授权和通知计划，请参阅国家认可的准则，即Interqual®指南。Medicare没有CCT和CCTA的NCD。对于没有LCD/LCA的州/领土，请参阅以下内容的覆盖范围指南：（2023年11月14日访问）计算机断层扫描（CCT）和冠状动脉层析成像血管造影（CCTA）多探测器（Multi-Detector-Row/Multi-Slice）计算机心脏断层扫描（MDCT）也被称为心脏计算机验证冠状动脉造影（CCTA）或COMPER COMPEL COMPLAIGE of THE HORT和CORONARY ARITERIES。本地覆盖范围确定（LCD）/本地覆盖范围文章（LCA）存在，并且在适用的情况下需要遵守这些政策。有关特定的LCD/LCA，请参阅表中心计算机断层扫描和冠状动脉层析成像血管造影的表。
事先授权 – 心脏病学和放射学服务
事先授权用于医疗保险和商业产品的 BlueCHiP 用于医疗保险的 BlueCHiP 需要事先授权，商业产品也建议事先授权。注意：此事先授权要求不适用于在急诊室、观察室或住院环境中提供的服务。政策声明用于医疗保险和商业产品的 BlueCHiP 订购心脏病学或放射学服务的医生必须向 BCBSRI 心脏病学和放射学管理计划供应商发起并完成授权。订购医生必须保留所有文件以支持所订购研究的临床适用性，并将准确完成授权。对于 BCBSRI 参与提供商，影像机构/医院不得代表订购医生获取临床授权。在任何情况下，除非 BCBSRI 以书面形式明确同意，否则医生不得使用影像机构/医院的代表或与影像机构/医院有关系的任何人来协助与心脏病学和放射学管理计划供应商进行授权过程的任何部分，包括准备临床适用性必要文件的任何要素。如果发现影像机构/医院在未经 BCBSRI 明确书面同意的情况下支持授权过程的任何部分，BCBSRI 将视该行为违反本政策，并将采取严厉措施，包括终止其与 BCBSRI 提供商网络的合作关系。如果机构/医院提供未经授权的心脏病学或放射学服务，则该服务将被视为机构/医院的财务责任，并且不得向会员收取费用。
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
放射学研究更新2024年4月，第29期
Gullapalli年轻调查员奖是为了纪念他的。颁奖典礼授予了新兴的研究人员，其中五项隶属于诊断放射学和核医学系：研究人员Lukasz Kalkowski，博士和Jinghui Wang，博士；博士生Shriya Madan；和UMBC本科生Mikolaj Walczak和Colleen Russel。Gullapalli Young研究者奖是由宾夕法尼亚大学放射学教授的大量捐款，以及该系主办的Alavi-Bradley研讨会的赞助商。部门成员在活动中无所不在，医学博士Dheeraj Gandhi，在“ Mr Mring Fus Fus：Image LageDeride Fus：Next Frontier in Image Lagided（非手术）神经外科手术中进行了主题演讲。”在受邀的演讲者中
社论：放射学癌症诊断的人工智能应用
癌症仍然是对人类生命的最显着威胁之一，早期发现特别具有挑战性。放射学成像是识别癌症的主要工具，但早期的迹象通常是微妙的，导致可能遗漏的可治疗癌症（1）。人工智能（AI）具有巨大的承诺，是帮助放射科医生进行癌症检测的强大工具（2）。AI算法在癌症识别，分割和评估中表现出了令人印象深刻的能力（3，4）。然而，这些算法的不透明性质（通常称为其“黑盒”特征）引起了人们对它们的可解释性和临床预测的验证能力的担忧（5）。需要解决一些新出现的挑战，以有效地将AI整合到癌症检测中。在数据策划期间，公开可用的数据集通常受到扫描仪技术和成像协议中的小规模，不完整的标签或可变性的限制，这限制了其适用性（6）。在开发阶段，AI算法在很大程度上取决于专家放射科医生的手动注释，并且当应用于来自不同医院或协议的数据时，其性能可能会下降（7）。此外，当前的AI模型在处理部分或嘈杂标签，管理长尾数据分布以及适应持续学习（8）等问题上遇到了困难（8）。），头颈肿瘤分割（Zhang和Ray），乳腺癌亚型分类（Sun等）和风险因素识别（Dianati-Nasab等人。）和直肠癌生存风险预测（SHU为了增强AI作为可靠和用户友好的工具的临床采用，有必要开发可以与放射科医生协同工作的AI系统，并将人类专业知识和AI的优势结合起来，以改善癌症检测和患者的结果（9）。This Research Topic has curated articles on the applications of AI models, especially the machine learning models of Random Forest (RF), Neural Networks (NN), Bootstrap Aggregating Classi fi cation and Regression Trees (Bagged CART), Extreme Gradient Boosting Tree (XGBoost), and elastic net, and deep learning models of convolutional neural network (CNN), U-Net, ResNet, and multi-head attention fusion,对于脑肿瘤分割的任务（Luque等人），偶然发现了乳房质量分类（Ma等人
COVID-19 的放射学发现：人工智能与放射科医生的比较
背景：随着 COVID-19 负担的加重，快速可靠的筛查方法势在必行。胸部 X 光片在快速分诊患者方面起着关键作用。不幸的是，在资源匮乏的环境中，训练有素的放射科医生很少。目的：本研究评估并比较人工智能 (AI) 系统与放射科医生在检测 COVID-19 胸部 X 光片发现方面的表现。受试者和方法：测试集包括三个月内 457 张疑似 COVID-19 肺炎患者的 CXR 图像。一位拥有 13 年以上经验的放射科医生和人工智能系统 (NeuraCovid，一款与人工智能模型 COVID-NET 配对的 Web 应用程序) 对 X 光片进行了评估。通过计算灵敏度、特异性和生成受试者工作特征曲线来比较人工智能系统和放射科医生的表现。RT-PCR 测试结果被用作金标准。结果：放射科医生的灵敏度和特异性分别为 44.1% 和 92.5%，而 AI 的灵敏度和特异性分别为 41.6% 和 60%。AI 系统将 CXR 图像正确分类为 COVID-19 肺炎的曲线下面积为 0.48，放射科医生为 0.68。放射科医生的预测优于 AI，P 值为 0.005。结论：放射科医生检测 COVID-19 肺部病变的特异性和灵敏度优于 AI 系统。
人工智能在诊断和介入放射学中的应用与挑战
它将输出输入到第一个隐藏层，然后是第二个，最后到输出层（每层都由松散地由神经元建模的节点组成）。机器学习和深度学习都需要训练期，其中有两种不同类型：监督学习和无监督学习。监督学习利用标记数据，因此用于分类和回归，而无监督学习使用未标记数据，因此只能通过聚类和降维来识别模式。机器学习可用于放射学，识别特定病症或将图像分割成几部分。机器学习的一些应用方式包括通过超声（US）检测脂肪肝、通过计算机断层扫描（CT）表征颈动脉斑块以及通过定量冠状动脉CT血管造影预测病变特异性缺血[1,2]。在这种情况下应用机器学习有几个优点和缺点。机器学习可以处理大量数据并识别可能无法检测到的趋势和模式。然而，充分的训练需要大量高质量的数据集。而深度学习可以进行更复杂的分类以及自动特征提取和学习。人们经常使用涉及一定程度人为参与的混合策略。ANN 系统在历史上受到计算能力和训练数据不足的限制。然而，考虑到相对较新的技术和数学进步，以及大数据的可用性，ANN 系统正在重新评估其在医学成像中的应用 [1]。放射科医生一直处于医学技术的前沿，在引导 AI 融入医学方面处于领先地位 [2]。鉴于工作量增加，预测将 AI 融入放射科将协助放射科医生，而不是指导或取代放射科医生，使他们在患者护理中发挥更核心的作用，因为它可以通过图像分类和结果/风险预测提供诊断支持 [3,4]。本文献综述将提供人工智能在医学成像中的应用历史背景，强调人工智能在介入放射学中的应用方式，并承认医生在实施过程中可能面临的挑战。它还将提供克服这些问题的各种建议。
人工智能在牙科和颌面放射学中的应用
从 Netflix 上的电影推荐到手机上的自动更正功能，人工智能在我们日常生活中的应用越来越普遍。医学和牙科领域可以应用人工智能来跟上技术进步并利用它们来提高实践效率。虽然人工智能尚未得到广泛应用，但在牙科和颌面外科领域与牙科射线照片结合使用时具有巨大潜力。射线照片可以作为机器学习算法的数据集，并使人工智能技术能够执行诊断疾病和治疗计划等任务。正在牙科研究中研究的人工智能技术的用途包括牙科图表、诊断龋齿、囊肿和肿瘤以及正颌和正畸病例的治疗计划。
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
X射线专家：放射学中可预测的错误
医疗错误是结果，但如果没有对过去案件的艰苦审查，就难以研究。i应用算法工具来衡量最常见的医学评估之一中的错误程度和性质：胸部X射线解释。使用大型医院的匿名医疗记录，我将放射科医生关于心脏健康的主张与相同的机器学习预测进行了比较，并使用外源给予的血液测试在两者之间进行裁定。至少有58％的放射科医生会犯错误，发出的报告可以预见，这些报告误解了患者心脏健康的严重程度。纠正这些错误会将假阴性率降低23.5％，假阳性率降低了7.6％，而代表性不足和诊断不足的患者群体的准确性明确提高了。审慎的算法基准选择表明，大约三分之二的错误是可以解释的，因为个人放射科医生做出不一致的决策（表现不佳的“个人边界”），而三分之一反映了人类实践与算法预测之间的差距（A”机器边界）。与医学文献中的主要假设相比，错误并不能反映放射学家超重的显着信息；相反，它们系统地对患者风险的信号有系统地反应。在一起，这些结果表明，算法工具的比较强度在于它们的潜力减少人类判断的过多变异性。