radiologist
PulseAugur coverage of radiologist — every cluster mentioning radiologist across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
研究发现：人工智能正在改变放射科医生工作，而非取代他们
人工智能并未取代放射科医生，但正在显著改变他们的角色，人工智能辅助工具已成为医学诊断的常见工具。尽管早期预测认为人工智能将取代这些专家，但现实是人工智能正成为一个日益增长的领域，充当同事的角色，提高效率和准确性。美国食品药品监督管理局（FDA）批准的大部分人工智能医疗设备都用于放射学，这凸显了其在医疗保健领域采用人工智能的领先地位。
-
新的 VLM 框架可自动评估用于心脏消融规划的心脏 MRI 图像质量
研究人员开发了一种新颖的两阶段视觉语言模型 (VLM) 框架，用于自动评估用于心脏消融规划的 LGE-MR 图像的临床质量和可用性。第一阶段采用微调的 VLM，根据噪声、运动伪影和边界准确性等标准生成放射学风格的报告。第二阶段使用基于 GPT 的模块将这些报告映射到结构化质量分数和临床可用性的二元决策。在基准测试中，InternVL2 在标准级评估中表现出高精度，而 DeepSeek 在临床可用性方面实现了完美一致。
-
AI系统对放射学报告进行结构化并改进质量保证
一个新开发的多智能体AI系统用于放射学报告的结构化和质量保证。该系统使用本地大型语言模型和正则表达式规则，成功地将CT检查的发现组织成标准化的解剖学部分。在两位放射科医师的评估中，该系统表现良好，84%的报告在整体质量保证方面被评为“优秀”或“良好”。
-
新的无监督方法改进了CT扫描中的肺结节检测
研究人员开发了一种名为RONALD的新无监督方法，用于分割低剂量CT扫描中的支气管血管束。该技术旨在通过增强结节的可见性来改善早期肺癌的检测，因为结节经常被邻近的血管和气道壁所遮挡。RONALD流程在Duke Lung Cancer Screening (DLCS) 和 Pomeranian 数据集上展示了卓越的性能，与其它分割方法相比，显著提高了结节的保留率。
-
AI乳腺癌检测工具未能满足放射科医生的期望
一项对放射科医生的最新调查表明，目前用于乳腺癌检测的AI工具未能达到预期。尽管许多放射科医生正在使用这些FDA批准的工具，但他们并未看到预期的召回率提高或不必要活检的减少。该研究强调了AI在诊断方面承诺的能力与实际临床结果之间存在显著差距。
-
RadYOLO为医学扫描提供高效的3D对象检测
研究人员开发了RadYOLO，这是YOLO对象检测模型的一个3D扩展，专门为CT和MRI扫描等医学成像任务设计。该新模型旨在提供计算高效的解决方案，在资源受限的硬件上也能平衡高检测性能和快速执行。与nnU-Net和nnDetection等成熟方法相比，RadYOLO在各种数据集和对象尺寸上均展现出优越或相当的检测性能，同时在推理速度上显著优于它们，使其成为临床和边缘设备部署的有前景的工具。
-
人工智能关于放射科医生过时的预测被证明是错误的，需求和薪资却在飙升
尽管十年前 Geoffrey Hinton 等人工智能领域的领导者曾预测人工智能将使放射科医生过时，但该职业目前正经历着日益增长的需求和不断提高的薪资。放射科医生的平均薪资已升至57.1万美元，且仍有大量职位空缺。专家认为，人工智能更有可能通过处理图像分析等任务来增强放射科医生的能力，使医生能够专注于患者护理和咨询的其他关键方面。
-
人工智能重塑医疗保健工作，带来风险并创造新角色
人工智能正在迅速改变医疗保健行业，人工智能工具现在协助进行临床决策支持、文档记录和行政任务等领域。虽然一些职位，特别是那些涉及模式识别和数据处理的职位，如人工抄写员和医疗编码员，面临更高的裁员风险，但人工智能也有望重塑许多现有职位并创造新职位。美国食品药品监督管理局已批准了 1,500 多种支持人工智能的医疗设备，并且绝大多数医生现在都在其执业中使用人工智能工具。
-
医疗AI难以处理未知数据，需要分布外检测
本文讨论了医疗AI系统中的分布外检测（OOD）挑战。文章解释说，虽然AI模型在与训练集相似的数据上表现良好，但当部署到具有不同患者群体或设备的新环境中时，它们常常会失败。OOD检测旨在识别AI何时遇到与训练数据显著不同的数据，从而解决传统分类器所做的“闭世界假设”。
-
AI在放射学中的应用：从辅助到诊断替代
将AI工具整合到放射学领域，标志着一个重大转变，从协助放射科医生识别X光图像上的潜在肿瘤，发展到可能取代大部分劳动力。在一种假设情景中，AI可以处理诊断工作，由一名放射科医生监督其工作并承担任何错误的责任。
-
人工智能通过非增强核磁共振成像预测脑肿瘤增强，表现优于放射科医生
研究人员开发了一种深度学习模型，能够从非增强核磁共振成像扫描中预测脑肿瘤增强，有望减少对造影剂的需求。该模型经过超过 11,000 项研究的训练，在检测增强方面达到了 83.0% 的平衡准确率，优于 11 位专家放射科医生在盲法条件下达到的 71.7% 的准确率。该人工智能有望成为一种决策支持工具，特别是在标记可能显示增强的扫描以及减少神经肿瘤学中对钆的依赖方面。
-
新方法通过追踪患者病史改进胸部X光报告生成
研究人员开发了一种名为过渡感知N选最佳采样（Transition-Aware best-of-N sampling）的新型无训练采样方法，用于生成胸部X光报告。该方法通过使用集对集距离度量来编码这些过渡，从而专门考虑患者先前和当前检查之间的变化。该框架在多访视队列上使用各种方向性集合距离进行了测试，证明其在报告的印象部分性能优于随机选择。
-
新AI框架增强了可解释的胸部X光分析
研究人员开发了IMT-CXR，一个旨在增强胸部X光分析可解释性的新框架。该系统通过执行疾病识别、属性表征和证据整合报告生成来模拟放射科医生的工作流程。一个通过医学指令调优优化的统一Transformer架构，处理包括分类、定位、分割和报告生成在内的多项临床任务。初步评估显示，放射科医生认为AI生成的报告与原始临床报告相当或更优，这表明其在医学影像领域具有值得信赖的AI的重大转化潜力。
-
AI框架AutoIQ量化前列腺MRI几何畸变
研究人员开发了AutoIQ，这是一个集成机器学习框架，旨在自动检测和分类前列腺弥散加权MRI扫描中的几何畸变。这种畸变会负面影响病灶定位和MRI评估的可靠性。AutoIQ结合了分割和配准方法来量化畸变，在独立测试集上区分严重和可接受的畸变病例方面取得了高精度。
-
LegSegNet系统为下肢提供准确的CT组织分割
研究人员开发了LegSegNet，一个新颖的深度学习系统，用于分割和量化下肢CT扫描中的组织。该系统通过提供端到端的分析流程来解决现有工具在身体成分、肌肉减少症和肌肉骨骼疾病分析方面的局限性。LegSegNet实现了高精度，在测试数据上的平均Dice得分为89.31，并且是同类中第一个公开可用的系统。
-
AI 模型解决模板崩溃问题，改进 CT 扫描报告生成
研究人员开发了两种旨在提高 3D CT 扫描报告生成准确性和效率的新型 AI 模型。其中 CLarGen 模型通过解耦检测与合成并提高临床准确性，解决了 AI 模型生成遗漏关键发现的通用报告的“模板崩溃”问题。另一个模型 Astra 是一个在大型数据集上训练的通用基础模型，它协调报告风格并提高诊断一致性，从而加速报告起草并增强临床工作流程的完整性。
-
AI模型从放射科医生注视点学习医学图像分析
研究人员开发了GazeWorld，一种新颖的医学影像世界模型，它从放射科医生的眼动追踪数据中学习。该模型将图像视为一个世界，将放射科医生的注视序列视为一条轨迹，通过自回归预测注视图像块的表示。当用作预训练范式时，GazeWorld特征在多个基准测试中实现了最先进的诊断准确性，即使没有显式的注视预测训练，也优于现有方法。
-
阿里巴巴AI模型在早期结直肠癌检测方面超越放射科医生
阿里巴巴开发的一款人工智能模型能够从CT扫描中检测早期结直肠癌，其准确性高于人类放射科医生。在涉及超过27,000次扫描的临床试验中，该模型显示出86.6%的敏感性和99.8%的特异性。这一进展可能显著改变当前的癌症筛查方案。
-
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。