Radiology
PulseAugur coverage of Radiology — every cluster mentioning Radiology across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
AI集成到消费品中的风险和环境影响受到质疑
作者对AI的广泛集成表示怀疑,尤其是在消费品领域。虽然承认在放射学等专业领域的潜在好处,但他们反对将其用于烤面包机等日常用品或敏感的医疗建议,理由是存在错误信息和环境影响的风险。文章批评科技行业为了促进销售而制造虚假等同。
-
呼吁放射科医生成为AI创造者以应对劳动力短缺
放射学领域面临严重的劳动力短缺,引发了关于如何解决这一问题的讨论。一个提出的解决方案是将放射科医生的角色从AI工具的被动消费者转变为AI解决方案的主动创造者。这种视角的变化有可能通过促进医学影像领域的创新和定制化应用来缓解当前的危机。
-
Remene 帮助患者理解 MRI 扫描和报告
Remene 是一款新的基于网络的工具,旨在帮助患者理解他们的 MRI 扫描和放射学报告。它允许用户上传他们的 MRI 数据和报告,提供通俗易懂的医学术语和图像解释。该工具会突出关键发现,建议向医生提问,并将所有信息汇总成一份可打印的 PDF 文件,用于咨询准备,同时通过删除个人身份信息和处理后删除数据来强调数据隐私和安全。
-
放射学中的人工智能应增强人类理解,而非取代它
放射科医生和数学家都优先考虑人类理解,而不是仅仅得出正确答案。人工智能在医学领域的发展应旨在增强这种人类理解,而不是依赖于不透明的“黑箱”系统。这种方法确保了人工智能工具在放射学等复杂领域具有益处且可解释。
-
RADIOlogy 提供单通道零样本异常检测
研究人员开发了 RADIOlogy,一种新颖的无需训练的单通道零样本异常检测方法。该方法利用了多头注意力池化在视觉语言模型中的一种涌现特性,无需复杂的提示学习或计算成本高昂的滑动窗口策略,即可实现卓越的零样本定位和检测。RADIOlogy 使用简单的对比评分方法,只需稍作修改即可成功应用于医学领域。
-
Google AI 借助基础模型推进结核病筛查 · 跟踪 2 个来源
Google Research 开发了一款人工智能工具,用于辅助结核病筛查,旨在改善服务欠缺地区的早期检测。该人工智能分析胸部 X 光片以识别结核病迹象,其表现与专家放射科医生相当。该技术已通过临床试验并获得监管部门批准,计划将 MedGemma 等开放基础模型部署到全球公共卫生系统。
-
德州学术审查引发对放射学AI影响的质疑
一位AI研究员兼放射科住院医师对AI在其领域有限的实际影响表示沮丧,尽管科技领袖们大肆宣传。该住院医师指出,即使是基本的诊断AI工具也很糟糕,而用于准确报告的高级应用实际上并不存在。与此同时,在德克萨斯州,一个AI程序正被用于审查大学课程材料,标记可能违反该州关于性别和种族的新法律的内容,引发了对学术审查的担忧。
-
新的心电图基础模型利用多源临床数据增强健康监测
研究人员开发了一种新的心电图(ECG)分析基础模型,名为MS-ECG-FM。与以往仅依赖心电图解读报告的模型不同,MS-ECG-FM通过与多种临床笔记类型(包括超声心动图、放射学和出院报告)进行对比学习对齐进行训练。这种多源方法使模型能够捕捉心电图数据中存在的更广泛的诊断信号,从而在各种检测基准上取得优越的性能,即使在减少导联的配置下也是如此。
-
人工智能对放射学的影响:效率提升需求,违背预测
人工智能先驱Geoffrey Hinton在2016年预测,机器将在五年内取代放射科医生,但事与愿违。人工智能在扫描分析方面效率的提高导致阅读时间缩短,这反过来又增加了对放射科医生的需求。扫描订单增加所驱动的需求激增,超过了专家的供应量,这说明了杰文斯悖论。
-
研究发现:AI起草的患者消息增加了医生的工作量
发表在 NEJM AI 上的一项题为《医生对人工智能生成的患者消息进行编辑及其对临床工作量的影响》的研究,调查了医生编辑 AI 生成的患者消息所花费的时间。研究发现,所有 15 类编辑都导致响应时间延长。放射科编辑的响应时间增加最为显著,延长了 70.1%。
-
UltraPIPS 库利用领域特定模型增强 B 模式超声图像分析
研究人员开发了 UltraPIPS,这是一个专门为 B 模式超声数据设计的新型感知图像相似性度量库。与在自然图像上训练的模型不同,UltraPIPS 利用了在超声影像上微调的基础模型,这能更好地捕捉该医学成像模态的独特特征。实验表明,UltraPIPS 度量与下游任务(如分类和重建)的性能相关性更强,并在用于损失优化时能提高图像质量和真实感。
-
新的基准CRS-Bench评估医学图像编码器的可靠性
研究人员开发了CRS-Bench,一个旨在评估医学图像编码器可靠性的新基准。与之前仅关注判别能力的旧方法不同,CRS-Bench从判别能力、校准能力、标签效率和鲁棒性四个维度评估编码器。该基准使用了来自皮肤病学、眼科学和放射学的数据集,包括一个CheXpert-to-MIMIC-CXR的迁移,以模拟机构变化。引入了临床可靠性得分(CRS)作为结合这些维度的复合指标,比传统的AUROC分数提供了更全面的医学图像编码器选择方法。
-
新的LLM框架可自动生成放射学报告和模板 · 跟踪2个来源
研究人员开发了使用大型语言模型(LLM)改进放射学报告生成的新方法。其中一种方法ASTAR,可自动从临床文本中创建标准化的放射学报告模板,显著缩短开发时间,并且优于专家策定的模板。另一种方法侧重于图监督分层临床对齐,通过在疾病特定和报告级别语义连贯性上进行结构化监督,来提高报告的临床准确性。后一种方法表明,改进监督比仅仅增加模型规模更有效,一个较小的模型在关键指标上优于较大的模型。
-
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”。
-
新的基础模型统一病理和放射学用于医学图像分析
研究人员开发了CoM$^3$eT,一种用于医学图像分析的新型基础模型,它集成了病理学和放射学数据。该模型利用联邦学习和注意力机制来处理多维上下文,能够在各种成像维度上进行稀疏和密集预测。CoM$^3$eT在跨多个数据集和任务(包括报告生成)的公开竞赛中表现出色,并在参数训练效率和跨医院联邦学习的适应性方面表现出优势。
-
AI系统TumorBoard增强神经肿瘤学决策支持
研究人员开发了TumorBoard,一个新颖的多智能体决策支持系统,专为纵向神经肿瘤学护理设计。该系统集成了放射学、神经病理学和分子诊断等各种专家智能体,以解读复杂的患者数据,如MRI扫描、病理报告和分子标记物。TumorBoard利用共享的纵向病例状态和可审计的声明-证据账本,以确保来源可靠性并暴露矛盾之处,旨在提供更安全、更有效的治疗建议。
-
新的代理架构改进了纵向个人健康管理
研究人员开发了HealthClaw,一个开源的代理架构,用于纵向个人健康管理。与将每个请求视为孤立的现有系统不同,HealthClaw会根据用户日常习惯、偏好、测量值和风险的变化来更新其支持。它将共享的医学知识和安全规则与私有的纵向记忆分开,从而实现持续改进。评估显示,与传统的提示方法相比,答案准确性显著提高,上下文暴露减少,同时还展示了改进的隐私感知质量。
-
新的放射科基础模型显示出前景,但评估和转化挑战依然存在 · 跟踪 4 个来源
两份新的技术报告详细介绍了放射科基础模型的进展。一篇综述论文分析了 67 篇关于放射科视觉基础模型 (VFM) 的研究,强调了 Transformer 架构和自监督预训练的普遍性,但指出了评估和报告方面的不一致之处。另一份报告介绍了 Harrison.Rad 1.5,这是一个专为放射科设计的多模态大型语言模型,它能够根据图像和临床背景起草报告,甚至达到了模拟专业考试的标准。
-
新的 CORTEX 基准旨在实现 3D 胸部 CT 分析中可信赖的 AI
研究人员推出了 CORTEX,这是一个旨在提高多模态大型语言模型 (MLLM) 在 3D 胸部 CT 分析中可信赖性的一项新基准。现有的数据集通常将复杂的放射学报告简化为简单的问答对,忽略了临床医生使用的关键推理过程。CORTEX 通过提供结构化的四阶段诊断追踪,模拟放射科医生的工作流程,从视觉观察到答案综合,从而解决了这一问题。该基准建立在 CT-RATE 数据集之上,并经过临床医生验证,包含超过 76,000 条推理追踪,以支持能…
-
AI模型出现“注意缺失”,在被赋予任务时会忽略安全信号
一篇新研究论文引入了“注意缺失”(Inattentional Gap)的概念,描述了语言和视觉AI模型在接受特定任务条件时,会抑制它们报告本可以检测到的安全关键信号的能力。这种现象在包括放射学和驾驶场景在内的各种模型和任务中都有观察到,表明基准安全分数与实际安全性能之间存在脱节。研究人员认为,这种现象类似于人类的注意缺失盲视,可能导致AI系统在评估中看似安全,但在实践中却容易受到未指明的危险的影响。