XiaoMi-AI文件搜索系统
World File Search System放射科
引用：Chen, Y.、Stavropoulou, C.、Narasinkan, R.、Baker, A. 和 Scarbrough, H. (2021)。专业人士对放射学引入 AI 创新的反应及其对未来应用的影响：一项定性研究。BMC Health Services Research，21(1)，813。doi：10.1186/s12913-021-06861-y
结果：我们发现，放射技师和放射科医生对人工智能的认识和知识各不相同。通过他们的专业网络、参加会议和与行业开发人员的联系，放射科医生可以获得更多信息，并更多地了解人工智能的潜在应用。相反，放射技师更多地依赖本地个人网络获取信息。我们的结果还表明，尽管两组人都认为人工智能创新为劳动力短缺提供了潜在的解决方案，但他们对人工智能创新对其专业角色的影响的看法存在很大差异。放射科医生认为人工智能有可能承担更多重复性任务，让他们专注于更有趣、更具挑战性的工作。他们不太担心人工智能技术可能会限制他们的专业角色和自主权。放射技师更担心人工智能技术可能对他们的角色和技能发展产生的潜在影响。他们对自己积极应对人工智能技术带来的潜在风险和机遇的能力缺乏信心。
AI在乳腺癌诊断中将假阳性降低37.3％
多项研究表明，AI正在显着提高诊断准确性。在自然传播中发表的一项研究表明，放射科医生级的AI系统可帮助放射科医生在乳房超声诊断中降低其假阳性率37.3％。同样，由NHS测试的AI工具分析了10,000多种乳房X线照片，识别了所有乳腺癌病例，包括人类医生错过的11例。
创伤指南
Ferco Berger 博士（专家组联合主席），副主任（运营）兼急诊和创伤放射科主任，Sunnybrook 健康科学中心，安大略省 Nicolas Murray 博士（专家组联合主席），急诊和创伤放射科医生，温哥华总医院，不列颠哥伦比亚省 Nishard Abdeen 博士，放射科医生，魁北克省 Outaouais 河谷医院和安大略省东安大略省儿童医院，安大略省 Sam Campbell 博士，新斯科舍省卫生局，Charles V. Keating 急诊和创伤中心，伊丽莎白二世女王健康科学中心，新斯科舍省 Noel Corser 博士，家庭医生，Hinton 医疗诊所，阿尔伯塔省 Noah Ditkofsky 博士，放射科医生，急诊、创伤和急症护理科主任，圣迈克尔医院，安大略省 Barb Avard，患者和家庭顾问，北约克总医院，安大略省 证据审查员和指南方法学家：Candyce Hamel 博士，加拿大放射科医生，渥太华，安大略省 致谢：我们要感谢：Becky Skidmore 制定搜索策略；Micere Thuku 进行标题验证和摘要筛选；Leila Esmaeilisaraji 对所纳入的指南进行 AGREE-II 评估并提供反馈意见；以及 Harry Ingleby 和 Thor Bjarnason 为电离辐射暴露部分做出的贡献。
基于人工智能的快速脑容量测定显著改善了痴呆症的鉴别诊断
注意：由于 n = 17 且每个案例可以分配 5 分，因此正确点的最大数量为 85。要分配的总点数为 275。错误点数是指在 FTD 病例或健康对照中错误分配的 AD 点总数。因此，正确和错误分配的点数不一定加起来等于 85。P 值是使用 DeLong 检验相关 ROC 曲线和配对 Student t 检验计算的。统计上显著的 p 值（p < 0.05）以粗体标记。–AI：没有 AI 支持的结果，+ AI：有 AI 支持的结果。缩写：AI，人工智能；+ AI，有 AI 支持；− AI，没有 AI 支持；AD，阿尔茨海默病； AUC，受试者工作特征曲线下面积；BCR，委员会认证的放射科医生；BCNR，委员会认证的神经放射科医生；CI，置信区间；FTD，额颞叶痴呆；ROC，受试者工作特征；RR，放射科住院医师。
人工智能系统减少乳腺超声检查解释中的假阳性结果
超声是检测和鉴定乳腺癌的重要成像方式。尽管乳腺超声一直被证明可以检测出乳房 X 线摄影中隐藏的癌症，尤其是在乳房致密的女性中，但人们注意到乳腺超声具有很高的假阳性率。在这项研究中，我们提出了一种人工智能 (AI) 系统，该系统在超声图像中识别乳腺癌的准确度达到放射科医生的水平。为了开发和验证这个系统，我们整理了一个数据集，该数据集包含 2012 年至 2019 年间在纽约大学朗格尼健康中心接受检查的 143,203 名患者的 288,767 次超声检查。在由 44,755 次检查组成的测试集中，AI 系统的受试者工作特征曲线下面积 (AUROC) 达到 0.976。在一项读者研究中，AI 系统的 AUROC 高于十位获得委员会认证的乳腺放射科医生的平均水平（AUROC：AI 0.962，放射科医生 0.924 ± 0.02）。在 AI 的帮助下，放射科医生将假阳性率降低了 37.4%，并将要求的活检数量减少了 27.8%，同时保持了相同的敏感度水平。为了确认其通用性，我们在独立的外部测试数据集上对我们的系统进行了评估，结果显示其 AUROC 为 0.911。这凸显了 AI 在提高全球乳腺超声诊断的准确性、一致性和效率方面的潜力。
通过分割术中超声的挑战脑肿瘤
客观 - 解决术中超声中识别和描述脑肿瘤所带来的挑战。我们的目标是在经验丰富的神经肿瘤内超声用户（神经外科医生和神经神经毒物学家）中，在质量和定量评估观察者之间的变化，在超声波上检测和分割脑肿瘤。然后，我们建议，由于这项任务的固有挑战，通过将整个肿瘤质量进行注释，可以用一个边界盒作为临床培训的分割的辅助解决方案，包括余量不确定性和大型数据集的策划。方法 - 30例患者的脑病变的30张超声图像由4个注释剂 - 1名神经放射科医生和3个神经外科医生。首先测量了3个神经外科医生的注释变化，然后将每个神经腐烂的注释分别与神经放射科医生的注释分别进行比较，神经放射科医生的术语是参考标准，因为它们的分割是通过交叉引用到术前MRI进一步完善的。使用了以下统计指标：相交
精简版
1 俄亥俄州克利夫兰凯斯西储大学 MetroHealth 医院放射科和医学科；2 瑞士南部影像研究所核医学诊所和甲状腺疾病能力中心，瑞士贝林佐纳；3 弗吉尼亚州雷斯顿 SNMMI；4 密歇根大学核医学部放射科；5 德国马尔堡大学医院核医学科；6 华盛顿特区乔治城大学医学院 MedStar 健康研究所和华盛顿医院中心；7 德克萨斯州 JBSA Fort Sam Houston 布鲁克陆军医疗中心诊断放射科；8 克罗地亚萨格勒布“Sestre Milosrdnice”大学医院中心肿瘤科和核医学科；9 俄亥俄州辛辛那提大学医学中心；10 宾夕法尼亚州赫尔希宾夕法尼亚州立大学 Milton S. Hershey 医学中心； 11 荷兰鹿特丹伊拉斯姆斯大学医学中心放射学和核医学系；12 塞浦路斯利马索尔欧洲大学医院德国肿瘤中心核医学系
使用深度卷积模型进行数据描述颅内出血分割
摘要：创伤性脑损伤可能导致颅内出血 (ICH)。如果不能及时准确诊断和治疗，ICH 可能导致残疾或死亡。目前诊断 ICH 的临床方案是放射科医生检查计算机断层扫描 (CT) 扫描以检测 ICH 并定位其区域。然而，这个过程在很大程度上依赖于有经验的放射科医生。在本文中，我们设计了一个研究方案来收集 82 个创伤性脑损伤患者的 CT 扫描数据集。接下来，由两位放射科医生协商一致决定在每个切片中手动划定 ICH 区域。该数据集在 PhysioNet 存储库中公开在线，以供将来分析和比较。除了发布数据集（这是本文的主要目的）之外，我们还实施了一个深度全卷积网络 (FCN)，称为 U-Net，以全自动方式从 CT 扫描中分割 ICH 区域。作为概念验证，该方法基于 5 倍交叉验证的 ICH 分割实现了 0.31 的 Dice 系数。
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。
文章：Offiah, A.C. orcid.org/0000-0001-8991-5036 (2022) 当前和新兴的儿科肌肉骨骼放射学人工智能应用。儿科放射学，52 (11)。第 2149-2158 页。ISSN 0301-0449
摘要 人工智能 (AI) 在放射学中发挥着越来越重要的作用（在成人世界中的作用比在儿科中的作用更大），以至于有人毫无根据地担心它将完全取代放射科医生的角色。关于 AI 在儿科放射学中的肌肉骨骼应用，我们距离 AI 取代放射科医生的时代还很远；即使是最常见的应用（骨龄评估），AI 也更多地以 AI 辅助模式使用，而不是 AI 替代或 AI 扩展模式。用于骨龄评估的 AI 已在临床上使用十多年，是进行最多研究的领域。儿童的大多数其他潜在适应症（例如阑尾和脊椎骨折检测）仍然主要处于研究领域。本文回顾了人工智能在儿科肌肉骨骼系统方面最突出的领域，简要总结了当前的文献并强调了未来的研究领域。鼓励儿科放射科医生作为研究团队成员参与开展儿科放射学人工智能研究。