Radiology
PulseAugur coverage of Radiology — every cluster mentioning Radiology across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
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。
-
AI重写放射学报告引发“倾倒悖论”
一篇新近发表在arXiv上的研究论文探讨了AI驱动的标准化对放射学报告的影响，揭示了一种被称为“倾倒悖论”的现象。研究人员发现，尽管旨在临床文档和训练数据准备的AI重写任务会侵蚀临床不确定性并降低与图像的跨模态对齐，但这种退化程度因任务而异。例如，电子健康记录（EHR）摘要会造成大量信息丢失，但图像-文本对齐度下降极小；而旨在生成更清晰训练数据的任务，却可能悖论式地更严重地降低图像-文本对齐度。研究表明，AI重写任务本身，而非临床内容…
-
AI对就业的影响取决于任务的复杂性，而非仅仅是自动化
一项新的分析表明，AI对就业的影响比单纯的自动化潜力更为微妙。它强调了任务复杂性起着至关重要的作用，并以放射学领域为例，说明AI工具在需求增加的同时也与之共存。这表明在某些领域，AI可能增强而非仅仅取代人类角色。
-
新架构将放射学报告发现与证据联系起来
研究人员提出了一个新的结构化放射学报告参考架构，该架构将证据直接链接到报告内容。这个人工监督的系统旨在提取和组织结构化信息，例如测量值和病灶标识，这些信息通常在自由文本中丢失或分散在各种系统中。该框架集成了考试特定模板、AI辅助起草和互操作性标准，以支持审查报告、纵向比较以及与企业影像工作流程的集成。
-
MedExpMem 通过经验记忆提高 VLM 诊断准确性
研究人员开发了 MedExpMem，这是一个旨在增强医学领域视觉语言模型 (VLM) 诊断能力的新颖框架。该系统允许 VLM 从自身的诊断失败中学习，通过经验记忆积累专业知识，而不仅仅是静态知识。MedExpMem 将这种经验组织成区分性注释，以指导鉴别推理，从而在放射学基准测试中将准确性提高了 7.0%。
-
医生面临日益严重的AI深度伪造危机，美国医学会呼吁制定新法规
医生越来越多地成为AI生成深度伪造视频的主题，这些视频被用来推广可疑产品和传播虚假信息，引发了对公众对医疗领域信任的担忧。美国医学会敦促立法者更新隐私法，并追究科技平台对移除冒充行为的责任。这个问题还延伸到伪造的医疗图像，研究表明临床医生难以识别AI生成的X光片，可能导致欺诈和患者伤害。
-
RadLite微调小型LLM，用于CPU可部署的放射学AI
研究人员开发了RadLite，一种用于放射学任务的30-40亿参数小型语言模型（SLM）微调方法。该方法利用Qwen2.5-3B-Instruct和Qwen3-4B等模型的LoRA微调，显著提高了九种不同放射学应用的性能。所得模型足够小，可以量化并在消费级CPU上部署，为资源受限的临床环境提供了实用的解决方案。
-
语言学家 Emily Bender 认为，尽管大型语言模型 (LLM) 在转录和翻译等任务中有用，但目前的聊天机器人界面并非有益。她批评 LLM 使用人称代词的设计选择，这会产生自我和意识的错觉。一项关于 AI 在放射学领域应用的研究表明，LLM 缺乏真正的推理能力，只是生成听起来貌似有理的文本，而不理解真假等概念，这对于依赖严格证据的医学等领域来说令人担忧。
语言学家 Emily Bender 认为，尽管大型语言模型 (LLM) 在转录和翻译等任务中有用，但目前的聊天机器人界面并非有益。她批评 LLM 使用人称代词的设计选择，这会产生自我和意识的错觉。一项关于 AI 在放射学领域应用的研究表明，LLM 缺乏真正的推理能力，只是生成听起来貌似有理的文本，而不理解真假等概念，这对于依赖严格证据的医学等领域来说令人担忧。