radiologist
PulseAugur coverage of radiologist — every cluster mentioning radiologist across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
AI 展示了从医疗诊断到代理部署的多元化应用 · 跟踪 6 个来源
人工智能正在各个领域展示其效用，从协助放射科医生检测细微的医学异常到支持公司日益部署的复杂人工智能代理。OpenAI 的 Astra 模型因其高级功能而受到关注，讨论还涉及人工智能模型交互的安全影响以及支持人工智能记忆上下文的分布式系统的演变。Google 还更新了其指南，强调网页主要内容的重要性，这标志着人工智能可能影响搜索和内容创建的方式发生了转变。
-
AWS 推出使用 Bedrock AgentCore 和 Nova Sonic 的语音旅行礼宾服务
AWS 推出了一个新的语音旅行礼宾服务解决方案，该解决方案可与航空公司应用程序集成。该解决方案利用 Amazon Bedrock AgentCore、用于实时语音的 Amazon Nova Sonic 以及 Amazon Bedrock 知识库，允许旅客通过语音命令与他们的预订进行交互。该系统可以处理诸如更改座位、更新偏好、回答政策问题以及升级到人工座席等任务，同时与现有应用程序界面并行运行。
-
Geoff Hinton 2016年关于AI的放射科医生预测被重提
人工智能领域的知名人物Geoff Hinton据称在2016年预测，人工智能将在五年内取代所有放射科医生。此言论在当前关于AI对各行业影响的讨论中被重新提起。
-
AI模型区分CT扫描中的动脉钙化亚型
研究人员开发了三种自动方法来区分CT头部扫描中的颅内动脉内膜和中膜钙化。这些方法包括放射学视觉评分的改编、基于球形的模型和形状基础模型，均取得了可比的性能。形状嵌入方法取得了最佳结果，单动脉分类的加权F1分数高达71.5%，联合动脉分类为59.8%，即使使用自动分割掩码也显示出鲁棒性。
-
医学专家拥抱人工智能以提高诊断效率
放射学、皮肤病学和病理学等领域的医学专业人士正在拥抱人工智能工具，将其视为对人类专业知识的增强而非替代。他们欣赏人工智能为他们的诊断工作带来的速度和数据处理能力，并将其融入日常实践。这种接受度与对人工智能贬低人类技能的恐惧形成对比，表明人工智能与专业医学领域之间存在协作的未来。
-
人工智能将协助而非取代放射科医生，改变工作角色
人工智能将显著改变放射科医生的工作，但不太可能完全取代他们。预计人工智能工具将增强诊断能力并简化工作流程，使放射科医生能够专注于更复杂的病例和患者互动。人工智能的整合将需要该领域的适应和新技能的发展。
-
AI利用放射学报告提高肿瘤分割精度
研究人员开发了一种名为报告监督（R-Super）的新型训练框架，旨在提高医学影像中的肿瘤分割能力。该方法利用放射学报告中的详细描述直接训练分割模型，克服了手动注释肿瘤掩膜稀缺的问题。R-Super引入了专门的损失函数，将分割输出与基于报告的肿瘤数量、大小和位置信息对齐。在肾脏和胰腺肿瘤分割上的评估显示出显著的改进，与仅使用掩膜训练相比，即使在掩膜数据有限的情况下，R-Super也能将检测F1分数和分割Dice相似系数（DSC）提高多达15%。
-
AI 通过 CT 扫描中的 3D 视线模式预测放射科医师的专业水平
研究人员开发了一种新颖的 Transformer 框架，该框架利用 3D 视线模式来预测放射科医师在 CT 扫描解读期间的专业水平。该模型使用 DINOv2 主干，通过自注意力偏差和视线加权池化将视觉搜索行为整合到体积特征学习中。该框架在 182 次 CT 阅读会话中进行了测试，取得了 0.91 的 ROC-AUC 和 0.86 的 F1 分数，优于现有方法，并为放射学中客观专业水平评估开辟了新途径。
-
专家表示，人工智能正在改变放射学，而非取代放射科医生
正如Geoffrey Hinton在2016年预测的那样，人工智能并未取代放射科医生，该领域实际上一直在稳步增长。然而，人工智能正通过充当强大的工具，在图像分析方面能够媲美甚至超越人类的表现，从而显著改变这一职业。FDA批准的约75%的AI赋能医疗设备用于放射学，协助医生完成报告起草和识别细微异常等任务，从而提高诊断准确性和患者护理水平。
-
新型因果模型增强胸部X光片解读和可解释性
研究人员开发了XpertCausal，这是一种新颖的因果概念瓶颈模型，旨在增强胸部X光片解读的可解释性。与以往的判别式方法不同，该模型显式地模拟了从疾病到放射学发现的生成过程。通过结合放射科医生指导的因果结构和专家领域知识，XpertCausal在MIMIC-CXR数据集上的分类准确性、校准和临床解释质量方面均表现出改进的性能。
-
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。