XiaoMi-AI文件搜索系统
World File Search System放射科
关于人工智能在核医学中应用的 EANM 立场文件
诊所。一般而言，放射学界对人工智能的影响有两种观点。第一种观点相当乐观，认为人工智能将有助于加强放射科医生在医疗保健大局中的作用 [ 2 ]。另一种观点认为，人工智能将接管放射科医生的任务，使其成为敌人而不是补充工具 [ 3 ]。最近的一项调查显示，放射医学界对此持温和乐观态度，62% 的人认为诊断放射科医生的工作不会因人工智能而受到威胁 [ 4 ]，随着人工智能越来越多地被视为解决当前放射科医生短缺问题的潜在解决方案，以提高医疗实践质量，以及降低整体医疗成本的一种手段 [ 5 ]，放射医学界对此的接受度正在提高。在核医学领域，我们才刚刚开始触及这些问题的表面 [ 6 ]，或许我们认为这些问题会在适当的时候得到解决，而无需我们的直接干预。人工智能在核医学和放射学（以及其他学科）中的应用具有相似之处，特别是混合成像中使用的横断面技术。尽管人工智能在核医学中的引入已经落后，但没有理由认为其他学科遇到的优势、进展、解决方案和挑战不会适用于核医学。此外，这些发展不仅限于核医学医生。它们还将扩展到物理学家、放射化学家和放射药剂师。核医学的一些特定方面，即短寿命同位素对放射性药物制备和患者安排的影响，或个体剂量测定在治疗中的应用增加，可能会进一步增强人工智能对我们日常实践的潜在影响。
人工智能在脊柱成像中的实际应用：综述
一项多中心、多读者研究评估了合成创建的短 tau 反转恢复 (STIR) 脊柱 MR 图像与获取的 STIR 的比较。基于医学数字成像和通信 (DICOM) 的 DL 应用程序从矢状 T1 和 T2 图像生成了合成创建的 STIR 系列。三名神经放射科医生、一名肌肉骨骼 (MSK) 放射科医生和一名普通放射科医生对 STIR 质量进行评级并对疾病病理进行分类；评估了通常在创伤中用 STIR 评估的发现的存在/缺失情况。放射科医生以盲法随机方式评估了获取的 STIR 或合成创建的 STIR，并设有 1 个月的洗脱期。使用 10% 的非劣效性阈值评估获取和合成创建的 STIR 的可互换性。对于分类，随机引入合成创建的 STIR 预计会导致读者间一致性下降 3.23%。对于创伤，读者之间的一致性总体提高了 11.9%。两者的置信下限都超过了非劣效性阈值，表明合成 STIR 与获取的 STIR 具有可互换性。结果显示，合成 STIR 的图像质量得分高于获取的 STIR（P <.0001）。研究人员得出结论，合成 STIR 脊柱 MR 图像在诊断上可与获取的 STIR 互换，同时提供明显更高的图像质量，表明常规临床实践的潜力。研究人员还避免使用 GAN，因为 GAN 很容易在合成图像中引入源图像中不存在的结构。38
基于深度学习的小儿脑肿瘤检测和亚型预测的诊所 - 放射学模型
目的：小儿脑肿瘤的早期诊断可显着改善结果。目的是研究小儿脑肿瘤的磁共振成像（MRI）特征，并开发自动分割（AS）工具，该工具可以使用深度学习方法进行分割和分类，并与放射科医生评估进行比较。方法：这项研究包括94例，其中75例被诊断为室心症，髓母细胞瘤，脑干神经胶质瘤和毛细胞星形胶质细胞瘤，19例是正常的MRI脑病例。数据被随机分为培训数据，64例；测试数据，21例病例和验证数据，9例设计了一种深度学习算法以分割小儿脑肿瘤。将深度学习模型的灵敏度，特异性，正预测值（PPV），负预测值（NPV）和准确性与放射科医生的发现进行了比较。根据骰子得分和Hausdorff95距离进行的AS性能评估。结果：对MRI语义特征的分析是用坏死和出血进行的，因为预测室内室内室内症状，扩散限制和囊性变化的特征是髓母细胞瘤的预测指标。检测异常的准确性为90％，特异性为100％。对肿瘤进行进一步分割成增强和非增强组件。通过骰子评分和Hausdorff95距离分析了整个肿瘤（WT），增强肿瘤（ET）和非增强肿瘤（NET）的分割结果。将所有MRI特征预测的准确性与经验丰富的放射科医生的发现进行了比较。通过模型分类和放射科医生给定的分类[K-0.695（K是Cohen的Kappa interager可靠性得分）]。
文章 医生的人工智能——为医疗专业人员提供医学成像人工智能培训的课程
1 慕尼黑工业大学医学院伊萨尔右医院神经放射学系，D-81675 慕尼黑，德国；b.wiestler@tum.de（BW）；martin.gruber@tum.de（MJG）；claus.zimmer@tum.de（CZ）；jan.kirschke@tum.de（JSK）2 慕尼黑工业大学计算机辅助医疗程序，D-81675 慕尼黑，德国；matthias.keicher@tum.de（MK）；hendrik.burwinkel@tum.de（HB）；Florian.Hinterwimmer@tum.de（FH）；tobias.czempiel@tum.de（TC）；dominik.heim@tum.de（DH）；nassir.navab@tum.de（NN）3 慕尼黑工业大学医学人工智能与信息学研究所，D-81675 慕尼黑，德国； daniel.rueckert@tum.de 4 慕尼黑大学医院放射科，D-80336 慕尼黑，德国；judith.spiro@med.uni-muenchen.de 5 科隆大学医院放射科，D-50937 科隆，德国；daniel.pinto-dos-santos@uk-koeln.de * 通讯地址：dennis.hedderich@tum.de
基于多维连接组学和放射组学的先进机器学习框架，用于区分放射性坏死与脑转移瘤的真正进展
1 约翰霍普金斯大学医学院放射肿瘤学和分子放射科学系，美国马里兰州巴尔的摩 21231；ycao17@bwh.harvard.edu（YC） 2 哈佛医学院丹娜法伯/布莱根和妇女医院癌症中心放射肿瘤学系，美国马萨诸塞州波士顿 02115 3 约翰霍普金斯大学医学院 Russell H. Morgan 放射学和放射科学系，美国马里兰州巴尔的摩 21231；michael.a.jacobs@uth.tmc.edu（MAJ） 4 马里兰大学医学智能成像（UM2ii）中心、马里兰大学医学院诊断放射学和核医学系，美国马里兰州巴尔的摩 20201 5 北卡罗来纳大学放射肿瘤学系，北卡罗来纳州教堂山 27514，美国； xuguang_chen@med.unc.edu 6 美国明尼苏达州罗切斯特市梅奥诊所神经放射科 55905 7 美国马里兰州巴尔的摩市约翰霍普金斯大学医学院神经外科系 21231 8 美国德克萨斯州休斯顿市麦戈文医学院诊断与介入影像系 77030 * 通讯地址：kleinla@jhmi.edu
GLEAMER 融资 750 万欧元，用于推广人工智能平台...
巴黎，2020 年 9 月 24 日——法国医疗科技公司 GLEAMER 开发了一款人工智能软件平台，帮助放射科医生诊断患者。该公司宣布，已在 A 轮融资中获得 750 万欧元，领投方为 XAnge，新投资者包括 MACSF、Majycc eSanté Invest 和 Crista Galli Ventures，以及之前的投资者 Elaia 和国有基金 Ambition Amorçage Angels (F3A)，后者由 Bpifrance 作为其未来投资计划 (PIA) 的一部分进行管理。此外，包括 Nicolas Theumann 教授在内的 37 位放射科医生参加了本轮融资，此举有望推动 BoneView®（该公司软件系列中的第一款人工智能应用程序）在欧洲、中东、亚洲和拉丁美洲的市场推广。筹集的资金还将用于获得美国食品药品监督管理局 (F.D.A.) 的批准以在美国销售 BoneView® 并继续开发 GLEAMER 的人工智能产品线以用于放射学的其他领域。“GLEAMER 体现了我们的投资指导原则：让尽可能多的人能够使用最先进的技术，在这种情况下，就是使用人工智能帮助放射科医生诊断我们所有患者，”XAnge 的执行合伙人 Guillaume Meulle 说道。“我们很高兴与医疗保健专业人士和与我们一样相信人工智能能够帮助放射科医生进行日常诊断的专项基金一起投资 GLEAMER。GLEAMER 的管理团队在法国市场的卫生当局和医疗界建立了良好的声誉，这让我们有信心其软件平台将被广泛和迅速地采用，”MACSF 集团风险投资经理 Stanislas Subra 说道。如今，全球急诊放射学市场价值 120 亿欧元（来源：GLEAMER）。对医学成像的需求大大增加，全球每年为创伤生成超过 4 亿张医学图像。这是急诊室中最常见的医学检查，包括在法国，每年为创伤生成 1100 万张医学图像（估计来自：https://www.ccomptes.fr/fr/publications/limagerie‐medicale ）。GLEAMER 通过为放射科医生提供人工智能来为他们提供支持。一款通过医学图像对创伤进行半自动化诊断的软件。“这轮融资将使我们能够继续在全球推出现有软件，并进一步开发我们的产品线。我们的计划是利用我们的人工智能成为放射科医生的首选合作伙伴。软件平台，将涵盖所有标准放射程序。通过为他们提供半自动化、可靠和快速的诊断，我们帮助他们提高护理质量和生产力，”GLEAMER 联合创始人 Christian Allouche 说道。
大脑动态功能连通性的模式与注意力缺陷/多动障碍相关的行为和认知维度 div>
1 Huaxi MR研究中心（HMRRC），Sichuan University西部中国医院放射学系，成都610041，Sichuan，P.R。 中国； 2中国医学科学院心理学研究部 中国； 3四川大学的功能和分子成像关键实验室，成都610041，Sichuan，P.R。 中国； 4 Sichuan University的Sphity Sthiptry系，成都610041，Sichuan，P.R。 中国； 5全国工程研究中心，四川大学，成都610041，Sichuan，P.R。 中国； 6辛辛那提大学精神病学和行为神经科学系，俄亥俄州俄亥俄州45219，美国和第7个放射科，西丘恩大学西中国Xiamen医院，Xiamen 361021，富士，1 Huaxi MR研究中心（HMRRC），Sichuan University西部中国医院放射学系，成都610041，Sichuan，P.R。中国； 2中国医学科学院心理学研究部 中国； 3四川大学的功能和分子成像关键实验室，成都610041，Sichuan，P.R。 中国； 4 Sichuan University的Sphity Sthiptry系，成都610041，Sichuan，P.R。 中国； 5全国工程研究中心，四川大学，成都610041，Sichuan，P.R。 中国； 6辛辛那提大学精神病学和行为神经科学系，俄亥俄州俄亥俄州45219，美国和第7个放射科，西丘恩大学西中国Xiamen医院，Xiamen 361021，富士，中国； 2中国医学科学院心理学研究部中国； 3四川大学的功能和分子成像关键实验室，成都610041，Sichuan，P.R。 中国； 4 Sichuan University的Sphity Sthiptry系，成都610041，Sichuan，P.R。 中国； 5全国工程研究中心，四川大学，成都610041，Sichuan，P.R。 中国； 6辛辛那提大学精神病学和行为神经科学系，俄亥俄州俄亥俄州45219，美国和第7个放射科，西丘恩大学西中国Xiamen医院，Xiamen 361021，富士，中国； 3四川大学的功能和分子成像关键实验室，成都610041，Sichuan，P.R。中国； 4 Sichuan University的Sphity Sthiptry系，成都610041，Sichuan，P.R。 中国； 5全国工程研究中心，四川大学，成都610041，Sichuan，P.R。 中国； 6辛辛那提大学精神病学和行为神经科学系，俄亥俄州俄亥俄州45219，美国和第7个放射科，西丘恩大学西中国Xiamen医院，Xiamen 361021，富士，中国； 4 Sichuan University的Sphity Sthiptry系，成都610041，Sichuan，P.R。中国； 5全国工程研究中心，四川大学，成都610041，Sichuan，P.R。 中国； 6辛辛那提大学精神病学和行为神经科学系，俄亥俄州俄亥俄州45219，美国和第7个放射科，西丘恩大学西中国Xiamen医院，Xiamen 361021，富士，中国； 5全国工程研究中心，四川大学，成都610041，Sichuan，P.R。中国； 6辛辛那提大学精神病学和行为神经科学系，俄亥俄州俄亥俄州45219，美国和第7个放射科，西丘恩大学西中国Xiamen医院，Xiamen 361021，富士，中国； 6辛辛那提大学精神病学和行为神经科学系，俄亥俄州俄亥俄州45219，美国和第7个放射科，西丘恩大学西中国Xiamen医院，Xiamen 361021，富士，
将人工智能与放射学报告工作流程（RIS 和 PACS）相结合
用于检测特定疾病的放射图像的计算机分析正在迅速兴起，例如检测乳腺病变、脑出血、中风、骨折、主动脉夹层、肺结节等。人工解释会考虑其他信息，例如患者的症状和体征、先前的图像、血液检查和组织病理学报告。放射科医生了解计算机算法的局限性，并经常质疑计算机的解释。考虑到这一点，即使在实施人工智能算法后，放射科医生仍将继续发布针对患者的个性化可操作报告。可操作报告提供初步诊断、潜在的鉴别诊断和下一步治疗建议（通常由当地情况和服务可用性决定）。1
通过 CMR 组织追踪评估心肌变形揭示妇科疾病患者左心室亚临床心肌功能障碍
1 四川大学华西第二医院放射科，妇女儿童出生缺陷与相关疾病教育部重点实验室，成都，2 四川大学华西医学院，华西医院，成都，3 四川大学华西第二医院超声科，妇女儿童出生缺陷与相关疾病教育部重点实验室，成都，4 四川大学华西医院心内科，心血管病研究所心脏结构与功能实验室，心脏结构与功能四川省重点实验室，成都，5 电子科技大学医学院四川省肿瘤医院暨研究所放射科，成都，6 四川大学华西第二医院妇产科，妇女儿童出生缺陷与相关疾病教育部重点实验室，成都
一种可解释的 AI 系统，用于根据 CT 扫描结果自动评估 COVID-19 并进行病变分类
由 SARS-CoV-2 病原体引起的 COVID-19 感染在世界范围内爆发了灾难性的大流行病，确诊病例数呈指数级增长，不幸的是，死亡人数也呈指数级增长。在这项工作中，我们提出了一种基于深度学习范式的 AI 驱动流程，用于从 CT 扫描中自动检测 COVID-19 并对病变进行分类。我们首先提出了一个新的分割模块，旨在自动识别肺实质和肺叶。接下来，我们将这种分割网络与分类网络相结合，以识别 COVID-19 和对病变进行分类。我们将获得的分类结果与三位专家放射科医生在包含 162 次 CT 扫描的数据集上获得的结果进行了比较。结果显示，COVID-19 检测的敏感性为 90%，特异性为 93.5%，优于专家放射科医生的结果，平均病变分类准确率超过 84%。结果还表明，先前的肺和肺叶分割发挥了重要作用，使我们能够将性能提高 20 个百分点以上。此外，对训练后的 AI 模型的解释表明，支持 COVID-19 识别决策的最重要区域与与病毒临床相关的病变一致，即疯狂铺路、实变和毛玻璃。这意味着人工模型能够通过评估 CT 扫描中这些病变的存在来区分阳性患者和阴性患者（对照组和间质性肺炎患者的 COVID 检测结果均为阴性）。最后，AI 模型被集成到一个用户友好的 GUI 中，以支持放射科医生的 AI 可解释性，该 GUI 可在 http://perceivelab. com/covid-ai 上公开获取。整个人工智能系统是独一无二的，因为据我们所知，它是第一个公开的基于人工智能的软件，它试图向放射科医生解释人工智能方法使用了哪些信息