XiaoMi-AI文件搜索系统
World File Search System计算机辅助
在日常临床实践中成功实施基于人工智能的胸部X光计算机辅助检测系统
因其成本低、扫描时间短、适应症广泛等优势，已成为一种诊断工具 [1]。在日常实践中，胸部 X 光片通常用于健康检查、术前风险评估、住院前的常规筛查以及对有症状的心肺疾病患者的评估 [2]。由于胸部 X 光片通常不包含明显的异常，但其分析需要仔细检查复杂的结构，因此读者忽视异常的风险很大 [1,3]。大量检查带来的繁重工作量给放射科医生带来了进一步的困难。因此，基于人工智能的计算机辅助诊断 (AI-CAD) 可以作为第二意见，提高放射科医生诊断的效率和准确性 [1,4,5]。此外，人工智能还可以在日常实践中帮助转诊临床医生进行胸部 X 光检查 [6,7]。当临床医生观察胸部X光片时，可能无法获得官方放射学报告。在这种情况下，使用X光片做出的医疗决定是基于转诊临床医生而不是放射科医生的解读，这种情况可能尤其发生在门诊或急诊室。根据经验水平，转诊临床医生有时可能对自己对胸部X光片的解释缺乏信心，并且可能无意中没有咨询肺病学或胸外科专家[8]。此外，他们可能会因为担心忽视患者的问题而要求进行不必要的CT扫描或后续影像检查。目前，对AI的期望越来越高，转诊临床医生意识到AI可能能够支持他们的决策过程[9,10]。许多
计算机辅助调度互操作性的当前状态
改善紧急通信中心 (ECC) 与急救人员之间以及跨辖区的数据通信对于机构响应和改善生命安全结果至关重要。辖区之间几乎没有数据共享，这对应急响应产生了不利影响。特别是在跨辖区事件中，缺乏数据共享会影响周边通信中心提供协调响应和援助的能力。国家 911 计划 (Program) 隶属于国家公路交通安全管理局 (NHTSA) 紧急医疗服务办公室，该计划认识到实现计算机辅助调度 (CAD) 系统互操作性和无缝数据共享存在挑战。该计划委托了 CAD 互操作性项目来研究 CAD 互操作性并确定可以实施哪些解决方案以进一步实现全国范围内的无缝数据共享。Mission Critical Partners, LLC (MCP) 获得了该项目。为了研究这个问题，该计划召集了一群代表北美各地 ECC 的利益相关者参加研讨会，讨论他们在 CAD 数据互操作性方面的经验、成功和挑战。利益相关者确定了无缝互操作性的许多障碍，包括构建与另一个 CAD 的双向接口的总体成本和复杂性，但也确定了以下是互操作性的主要障碍：
纸笔写作模式与计算机辅助写作模式作为任务复杂性的新维度
摘要：在本文中，我们提出将写作方式（纸笔写作与计算机写作）概念化为认知任务复杂性因素。为了为这一理论提出奠定基础，我们首先回顾了先前基于认知任务的模型对第二语言（L2）写作的改编。然后，我们比较了纸笔写作和计算机写作方式的一般特征，概述了将学习和表现相关的重要性归因于写作方式的多学科理论模型的主要原则，并回顾了现有的实证证据。由此，我们得出理论和实证依据，将写作方式概念化为任务复杂性维度。在概述我们的概念观点之后，我们继续回顾可用于独立评估纸质和计算机书写的 L2 任务中的认知负荷的方法。在结论中，我们提供了对未来研究的启示和建议。
迈向阿尔茨海默病转化的多模式计算机辅助诊断工具
阿尔茨海默病 (AD) 是一种渐进性神经退行性疾病。它是老年人群发病和死亡的主要原因之一。AD 的主要症状包括记忆和执行功能障碍，这会极大地改变患者执行日常生活活动的能力。轻度认知障碍 (MCI) 患者表现出 AD 患者的许多早期临床症状，并且在其一生中很有可能转变为 AD。诊断标准依赖于临床评估和脑磁共振成像 (MRI)。许多团体正在努力帮助自动化此过程以改善临床工作流程。当前的计算方法侧重于预测 MCI 患者将来是否会转变为 AD。据我们所知，人们对开发能够为纵向跟踪的 MCI 患者队列提供 AD 转换诊断的自动化计算机辅助诊断 (CAD) 系统的关注有限。这很重要，因为这些 CAD 系统可以被初级保健提供者用来监测 MCI 患者。本文概述的方法解决了这一差距，并提出了一种计算效率高的预处理和预测流程，旨在识别与 AD 转换相关的模式。我们提出了一种新方法，利用可以在临床环境中轻松获取的纵向数据（例如 T1 加权磁共振图像、认知测试和人口统计信息）来识别 MCI 受试者的 AD 转换点，AUC = 84.7。相比之下，仅认知测试和人口统计就实现了 AUC = 80.6，这是一个具有统计学意义的差异（n = 669，p < 0.05）。我们设计了一个计算效率高的卷积神经网络，只需要在成像时间点之间进行线性配准。该模型架构结合了 Attention 和 Inception 架构，同时利用了横截面和纵向成像和临床信息。此外，还研究了驱动模型决策的顶级大脑区域和临床特征。这些包括丘脑、尾状核、颞平面和雷伊听觉言语学习测试。我们相信，我们的方法可以轻松地转化为医疗保健环境，作为 MCI 患者的客观 AD 诊断工具。
CARS 2022 — 第 35 届计算机辅助放射学和外科手术国际大会暨展览会论文集 日本东京，2022 年 6 月 7 日至 11 日
由于医疗保健及其机构中流传着海量的数据、信息、知识和偶尔的智慧，寻找新概念来处理这种复杂情况令人难以置信。尤其是因为这些和相关的新方法和技术有望提高医疗保健的质量，同时降低医疗保健成本。因此，需要从更广泛的角度来处理这些问题，包括来自不同利益相关者的许多观点，特别是在研究复杂的医疗保健情况和流程时。可能的数学模型范围很广，这就是为什么 CARS 研发界面临的挑战意味着要不断关注新方法和新工具，CARS 2022 的总体主题是“精准诊断和治疗的智能技术”。
慢性腰痛的人工智能和计算机辅助诊断：系统评价
摘要：腰痛 (LBP) 目前是全球第一大致残原因，具有巨大的社会经济负担。LBP 的诊断和治疗通常涉及多学科、个性化方法，包括多种结果测量和成像数据以及新兴技术。在此过程中产生的数据量不断增加，导致了与人工智能 (AI) 相关的方法的发展，尤其是计算机辅助诊断 (CAD)，旨在协助和改善 LBP 的诊断和治疗。在本文中，我们系统地回顾了有关使用 CAD 诊断和治疗慢性 LBP 的现有文献。对 PubMed、Scopus 和 Web of Science 电子数据库进行了系统研究。搜索策略设置为以下关键词的组合：“人工智能”、“机器学习”、“深度学习”、“神经网络”、“计算机辅助诊断”、“下腰痛”、“腰椎”、“椎间盘退变”、“脊柱手术”等。搜索共返回1536篇文章。在删除重复和评估摘要后，排除1386篇，而在全文检查后排除93篇论文，符合条件的文章数为57篇。CAD在LBP中的主要应用包括分类和回归。分类用于识别或对疾病进行分类，而回归用于产生数值输出作为某种指标的定量评估。性能最佳的系统已开发用于从图像数据中诊断脊柱的退行性变化，平均准确率 >80%。然而，CAD 工具执行不同任务（包括分析临床、生物力学、电生理和功能成像数据）也取得了显著成果。需要进一步研究以更好地定义 CAD 在 LBP 护理中的作用。
评论文章 计算机辅助药物设计 (CADD) 的大数据和人工智能 (AI) 方法
计算机辅助药物设计 (CADD) 的计算和统计方法以及大数据和人工智能 (AI) 技术的应用取得了许多进展。考虑到疾病的生物复杂性，药物设计是一个昂贵且费力的过程。为了有效和高效地设计和开发新药，可以使用 CADD 将尖端技术应用于药物设计领域的各种限制。介绍了数据预处理方法，该方法可以清理原始数据，以实现大数据和 AI 方法的一致和可重复的应用。我们介绍了大数据和人工智能方法在药物设计领域的适用性现状，例如靶蛋白结合位点的识别、基于结构的虚拟筛选（SBVS）以及吸收、分布、代谢、排泄和毒性（ADMET）特性预测。大数据和人工智能方法的数据预处理和应用使得准确、全面地分析海量生物医学数据以及开发药物设计领域的预测模型成为可能。了解和分析与药物设计相关的生物医学实体的生物、化学或药物结构将为生物医学大数据时代提供有益的信息。
计算机辅助自动检测疼痛相关行为：前景、进展、风险
疼痛通常被描述为一种主观现象；然而，所有的疼痛评估都将体验简化为可观察的事物，具有优点和局限性。大多数关于疼痛的证据都来自对疼痛相关行为的观察。在阐明疼痛行为指数的属性方面已经取得了相当大的进展；尤其是基于面部表情的行为指数，但并非仅限于此。大量文献表明，有限的面部动作子集（在几种非人类物种中都有同源物）编码了整个生命周期的疼痛强度。不幸的是，在许多情况下，获取此类指标仍然非常不切实际，因为它需要训练有素的人类观察员，而且很费力。情感计算领域的出现将计算机视觉和机器学习 (CVML) 技术应用于行为识别，这带来了一种前景，即先进技术可能会克服限制临床和研究环境中行为疼痛评估的一些限制。研究表明，通过 CVML，确实有可能开发跟踪疼痛面部表情的系统。从那时起，大量研究测试了自动疼痛评估的模型。最近，研究人员探索了多模态疼痛相关行为测量的可行性。一些商业产品声称能够自动、实时地测量疼痛表达。尽管取得了一些进展，但该领域仍处于起步阶段，存在过度承诺其所能实现的目标的风险。如果在制定有效测量方法和对可识别人群进行适当概括时没有充分遵循传统原则，则可能导致科学上可疑和临床上有风险的主张。特别需要开发包含可能发生或不发生疼痛的各种环境中的样本的数据库，这些样本应根据允许共享的标准进行细致注释，并遵守国际隐私标准。研究人员和用户需要对技术的局限性（例如，可能具体化与疼痛评估无关的偏见）及其潜在的社会影响保持敏感。
我、你和人工智能 - 管理计算机辅助智能诊断中的人类人工智能协作 我、你和人工智能 - 管理计算机辅助智能诊断中的人类人工智能协作
这篇正在进行的研究论文重点研究了医生和人工智能在决策中的协作配置。从先前的文献中，我们知道医院的复杂决策是团队中医生之间协作决策过程的结果。然而，从信息系统 (IS) 的角度来看，该领域的研究迄今为止主要集中在个人与人工智能的互动上，而复杂临床病例的决策协作也反映了技术支持环境中的常见做法。因此，我们旨在阐明“哪种人类人工智能协作决策配置最适合人工智能系统？”的问题。 我们计划进行一项基于场景的实验，以调查在计算机辅助智能诊断 (CAID) 系统背景下医生人工智能协作各种配置的准确性、速度和满意度。我们的主要贡献是对旨在通过技术改善医疗保健的选定协作配置进行多维评估。