Radiological Society of North America
PulseAugur coverage of Radiological Society of North America — every cluster mentioning Radiological Society of North America across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
推出新的数据集以支持人工智能驱动的颅内动脉瘤检测 · 跟踪1个来源
北美放射学会（RSNA）与多家其他医学协会合作，整理了RSNA颅内动脉瘤（RSNA-ICA）数据集。该大型公开数据集包含专家标注，由来自全球21家机构的4278名患者的7202个影像系列组成。它包括计算机断层扫描血管造影、磁共振血管造影和磁共振成像数据，重点在于检测和定位颅内动脉瘤。该数据集已用于2025年RSNA颅内动脉瘤检测挑战赛，并可用于非商业研究，以推进基于人工智能的动脉瘤检测。
-
新的TRUST方法提高了乳腺癌筛查效率
研究人员开发了一种名为TRUST的新训练策略，旨在提高乳腺癌筛查的效率。该方法在训练过程中重新校准排除阈值，从而识别出明确的癌症阴性乳房X光片，以减轻放射科医生的工作量，同时不影响癌症检测率。在来自美国国家台球联盟和北美放射学会的数据集上的评估表明，在保持高召回率目标的同时，排除率得到了显著提高。
-
新AI训练方法提高癌症筛查效率
研究人员开发了一种名为阈值感知训练的新训练策略，以提高癌症筛查的效率。该方法在训练过程中重新计算排除阈值，特别惩罚那些接近被排除的癌症阳性图像。在NLBS和RSNA等数据集上进行评估时，所提出的模型在保持高癌症检测召回率的同时，显示出更高的阴性病例排除率。
-
新的临床数据解释AI方法显示出希望，但在现实世界定位方面遇到困难
研究人员开发了一种名为“病理运输”的新方法，该方法利用最优传输来创建临床AI模型的解释。该方法对健康和患病患者的分布进行建模，以生成旨在定位疾病的热图。虽然在表格数据上对于无监督恶性肿瘤评分等任务有效，但发现该方法的热图定位能力在真实的胸部X射线数据上并不可靠，其准确率下降到随机水平，并且与Grad-CAM等监督方法相比表现不佳。该研究强调了合成数据和真实世界性能之间存在的显著差距，并强调了在临床环境中验证AI解释热图的稳健基准的必要性。
-
交叉验证改进了医疗影像AI的超参数调优
一篇新的研究论文探讨了深度学习图像分类器的超参数优化（HPO），特别是在医疗影像领域，因为该领域数据集通常较小。研究比较了三种HPO协议：固定留出法、重排留出法和5折交叉验证。结果表明，交叉验证提供了更可靠的测试性能估计，尤其是在数据有限的情况下，尽管它需要更多的计算资源。对于像Tiny ImageNet这样的大型数据集，不同协议之间的差异可以忽略不计。
-
LoRSA框架增强生物医学视觉模型泛化能力
研究人员开发了LoRSA，一种新颖的参数高效微调框架，旨在提高视觉基础模型在生物医学任务中的泛化能力。该方法联合学习一个用于全局任务适应的密集低秩分量和一个用于局部残差校正的动态结构化稀疏低秩分量。在DINOv3-Base用于乳腺密度分类的实验中，LoRSA在外部域泛化方面表现优越，在未见过的数据集上优于竞争方法。
-
深度学习模型使用EfficientNet预测儿科骨龄
研究人员开发了一种深度学习方法，使用EfficientNet架构（特别是增强了加性注意力的EfficientNetB4）来预测儿科骨龄。该方法利用了RSNA骨龄数据集中的12,000多张X光片，并将它们转换为适合训练卷积神经网络的格式。研究表明，与EfficientNetB0相比，EfficientNetB4（尤其是带有加性注意力机制的版本）能提供更准确的骨龄预测，有助于诊断儿科内分泌疾病。
-
新AI框架改进CT扫描中的创伤检测
研究人员开发了CT-VDETR，一种用于检测CT扫描中创伤性损伤的新型框架，解决了体素级标注有限的挑战。该系统结合了使用掩码图像建模的自监督预训练和半监督式Transformer检测器。该方法在RSNA腹部创伤检测任务上，仅使用78个标注的训练卷，就实现了比仅监督式训练高1.53倍的改进。
-
Geoffrey Hinton 曾表示机器学习现在应该会超越放射科医生
一位住院医师表示，Geoffrey Hinton 在 2016 年预测 AI 将在五年内超越放射科医生，这一预测并未实现。尽管取得了重大进展，并且有许多支持 AI 的医疗设备已获批用于放射学，但该领域仍面临严重的放射科医生短缺问题。作者认为，虽然 AI 充满希望，但其在放射学中的应用比最初预测的更为复杂，专业人士对其未来影响的争论仍在继续。