课程是围绕人工智能的基础算法构建的。由于大多数住院医生几乎没有接受过计算机科学培训，算法最初是围绕一个相关问题进行的一系列简单观察(例如，欺诈检测，电影推荐等)。这些观察后来被重新架构，以说明机器如何应用基本概念来执行放射学实践中的临床相关任务。基础计算的次要课程，如数据表示/抽象，也被整合在一起。这些课程的顺序使得这些算法是彼此的逻辑扩展。为期7个月的课程包括7次讲座和7个期刊俱乐部，每两周有一次以人工智能为主题的会议。研讨会由六个小时的内容组成，内容经过了压缩格式的修改，最后是一个综合活动。
Both formats of the AI-RADS curriculum were well received by learners, with the 7-month version and workshop garnering 9.8/10 and 4.3/5 ratings, respectively, for overall satisfaction. In both, there were increases in perceived understanding of artificial intelligence. In the 7-lecture course, 6/7 lectures achieved statistically significant (
As artificial intelligence becomes further enmeshed in clinical practice, it will become critical for physicians to have a basic understanding of how these tools work. Our AI-RADS curriculum demonstrates that it is successful in increasing learner perceived understanding in both an extended and condensed format.
COVID-19在全球范围内爆发，迫切需要各国政府采取适当措施。科学家们估计了这种病毒的基本繁殖数量和致死率。前者取决于几个因素(环境和社会行为、病毒特征、去除率)。由于缺乏针对COVID-19的特定治疗方法(疫苗、药物)，控制传播可能性或恢复率的能力有限。因此，为了限制疾病预期的指数级传播并减少其后果，大多数国家当局都采取了主要侧重于社交距离措施的遏制战略。在此背景下，我们分析了5个欧洲国家(法国、德国、意大利、西班牙、英国)政府封锁政策的影响。我们使用了苹果公司和谷歌发布的手机移动数据，作为一种间接衡量社交距离随时间变化的指标，因为我们认为这些数据很好地反映了社交行为的实际变化。(i)各国政府作出决定的反应能力。(二)封锁政策与流动数据变化的一致性。(三)各国实施封锁的情况。 (iv) The effects of social distancing on the epidemic evolution. These data were first analyzed in relation with the evolution of political recommendations and directives to both assess (i) responsiveness of governments in taking decisions and (ii) the implementation performance in each country. Subsequently, we used data made available by John Hopkins University in the attempt to compare changes in people behaviors with the evolution of COVID-19 epidemic (confirmed cases, new and cumulative) in each country in scope. Finally, we made an attempt to identify some key lockdown performance parameters in order to: (i) establish responsiveness, efficiency and effectiveness of the lockdown measures. (ii) model the latency occurring between the changes in social behaviors and the changes in growth rate of the disease.
下一代医学包含与医疗保健模式和技术发展相关的不同概念。在拉丁美洲和加勒比地区，各国之间的医疗体系有很大差异，考虑到社会经济差异，癌症控制据称是不足和低效的。尽管关于不同肿瘤疾病的生物学知识不断进步，但对于临床医生和研究人员来说，这种疾病在诊断、治疗和预后方面仍然是一个挑战。近年来，随着分子生物学、更好的诊断方法和治疗工具的发展，人工智能(AI)变得重要起来，因为它可以改善不同的临床场景:预测临床相关参数、癌症诊断、癌症研究，以及加速个性化医疗的发展。对于临床医生和癌症护理研究人员来说，人工智能的加入在诊断、治疗和预后方面是一个重要的挑战。因此，一些关于拉丁美洲和加勒比地区人工智能的研究正在进行，目的是提高这些国家的人工智能表现。这篇综述介绍了人工智能在拉丁美洲和加勒比地区的癌症护理，以及它在这一社会人口背景下所显示的优势和有希望的结果
确定和开发一套有效的模型，利用人工智能技术生成一个能够支持临床从业人员与COVID-19患者工作的系统。它涉及一个管道，包括分类，肺和病变分割，以及轴向肺CT研究的病变量化。
介绍了一种基于DenseNet的深度神经网络架构，用于弱标记、变大小(可能是稀疏的)轴向肺CT扫描的分类。这些模型是在超过10个类别的聚合公开数据集上进行训练和测试的。为了进一步评估这些模型，从哥伦比亚的多家医疗机构收集了一组数据，其中包括健康患者、COVID-19患者和患有其他疾病的患者。它由1322个CT研究组成，这些研究来自不同的CT机器和机构，制作了超过55万个切片。每个CT研究都基于临床测试进行标记，没有进行每片注释。这样就可以将患者分为正常和异常，对于那些被认为异常的患者，还可以将其分为异常(其他疾病)和COVID-19。此外，该管道还提供了一种方法，可以在完整的CT研究中对COVID-19患者的病变进行分割和量化，从而更容易进行定位和进展跟踪。此外，还进行了多次消融研究，以适当地评估组成分类管道的元素。
The best performing lung CT study classification models achieved 0.83 accuracy, 0.79 sensitivity, 0.87 specificity, 0.82 F1 score and 0.85 precision for the Normal vs. Abnormal task. For the Abnormal vs COVID-19 task, the model obtained 0.86 accuracy, 0.81 sensitivity, 0.91 specificity, 0.84 F1 score and 0.88 precision. The ablation studies showed that using the complete CT study in the pipeline resulted in greater classification performance, restating that relevant COVID-19 patterns cannot be ignored towards the top and bottom of the lung volume.
The lung CT classification architecture introduced has shown that it can handle weakly-labeled, variable-sized and possibly sparse axial lung studies, reducing the need for expert annotations at a per-slice level.
This work presents a working methodology that can guide the development of decision support systems for clinical reasoning in future interventionist or prospective studies.
COVID-19大流行使呼吸器可用性和适应性方面的广泛问题变得非常明显。本研究旨在通过随机对照试验(RCT)确定个性化3D打印呼吸器是否为医护人员提供足够的过滤和功能。在苏格兰洛锡安NHS招募的50名医护人员接受了3D面部扫描或3D摄影重建，以生产3D打印个性化呼吸器。主要结局指标为FFP3标准定量拟合检验。次要措施包括呼吸器的舒适性、佩戴体验和耐受性的功能仪(R-COMFI)、可理解性的改进押韵测试(MRT)以及呼吸器材料的病毒去污。在50名参与者中，44人通过了定制呼吸器的适应性测试，与对照组的38人没有显著差异(<斜体>p = 0.21)。在两种模拟临床条件下，定制呼吸器的舒适度均显著高于对照呼吸器(<斜体>p <0.0001)和长时间磨损(<斜体>p <0.0001)。在语音清晰度方面，两种呼吸器的表现相同。 Standard NHS decontamination agents were able to eradicate 99.9% of viral infectivity from the 3D printed plastics tested. Personalized 3D printed respirators performed to the same level as control disposable FFP3 respirators, with clear communication and with increased comfort, wearing experience, and function. The materials used were easily decontaminated of viral infectivity and would be applicable for sustainable and reusable respirators.
许多机器学习启发式与电子病历(EMR)系统集成得很好，但往往无法超越生物医学应用的传统统计模型。
<秒>我们试图比较12种机器学习和传统统计技术预测医院获得性压力损伤(HAPI)发生的预测性能。
EMR信息收集自达特茅斯希区柯克医疗中心(2011年4月至2016年12月)的57,227例住院病例。基于经典回归和最新机器学习技术选择的12种分类算法被训练来预测HAPI发生率，并使用接受者工作特征曲线下面积(AUC)评估性能。
Logistic回归取得了与其他机器学习方法相当的性能(AUC = 0.91±0.034)。我们报告了与传统统计模型相比，机器学习派生的预测器之间的不一致性。我们通过Shapley相加解释直观评估重要的患者特异性因素。
机器学习模型将继续为临床决策过程提供信息，但应与传统建模方法进行比较，以确保正确使用。传统和机器学习建模方法发现的重要预测指标之间的分歧可能会使临床医生感到困惑，需要加以调和。这些进展代表着开发实时预测模型的重要一步，这些模型可以集成到EMR系统中，以减少不必要的伤害
评价非灌注容积比(NPVR)至少80%的高强度聚焦超声(HIFU)消融子宫肌瘤技术成功的医生经验。
来自20个中心前瞻性研究的患者被纳入本研究。在本研究中，在20个临床中心中，5个中心的医生有3年HIFU经验，另外15个中心开始HIFU治疗3年，分别被定义为有经验组和无经验组。技术成功定义为子宫肌瘤NPVR≥80%且无重大并发症，定义为成功组;否则，它被定义为不成功组。
共纳入1352例患者，年龄为41.32±5.08岁。无经验组平均NPVR为86.50±15.76%，有经验组平均NPVR为89.21±13.12%，NPVR为87.48±14.91%。多因素分析显示子宫体积、肌瘤位置和医生经验与技术成功显著相关(<斜体>p <0.05)。有经验组子宫肌瘤NPVR≥80%的占82.20%，无经验组为75.32%，差异有统计学意义(<斜体>p = 0.003)。有经验组的技术成功率为82.00%，高于无经验组的75.20%(<斜体>p = 0.004)。
In technical success of achieving NPVR ≥ 80%, experience of the physician was positively correlated with technical success; NPVR and major complications for the inexperienced group were comparable to those of the experienced group from a clinical perspective; inexperienced physicians could reach NPVR ≥ 80% of sufficient ablation and were trustworthy in efficacy. Smaller uterus and fibroids of anterior wall were correlated with better technical success; experienced physicians still have better technical success when choosing patients with larger uterus, contributing to clinical decision-making and patient referral.