认知机器如何增强医学影像
该文讨论人工智能神经网络将零散事实与数据转化为高预测性分析模型:机器学习映射标准统计学难以解释的影像-患者表型关联,深度学习实现影像组织表征并可由MRI数据集生成虚拟CT图像,自然语言处理读取医学文献并重构PACS与电子病历信息。结论认为AI可解决放射科信息学工作流程痛点,影像专业人员与企业将推动医疗AI技术落地。
要点
- 机器学习可映射标准统计学难以解释的影像-患者表型关联。
- 深度学习可进行影像组织表征,并能从MRI数据集生成虚拟CT图像。
- AI可解决放射科信息学工作流程中的痛点。
核心结论
- AI神经网络可将零散事实与数据快速转化为高预测性分析模型。
- 机器学习映射标准统计学难以解释的影像-患者表型关联。
- 深度学习进行准确的影像组织表征,并可由MRI数据集生成虚拟CT图像。
- 自然语言处理读取医学文献并高效重构多年的PACS与电子病历信息。
- AI可解决放射科信息学工作流程痛点,影像专业人员与企业将推动医疗AI技术插入,数据科学与计算机科学将共同增强AI在医学影像中的应用影响。
研究设计与样本
- 本文为综述类文章,原文未报告检索范围与纳入文献的具体情况。
临床应用与阅片要点
- 作者认为影像专业人员与企业将推动医疗保健AI技术的插入。
- 作者认为数据科学与计算机科学将共同增强AI应用对医学影像的影响。
局限性
- 原文未报告局限性。
以上解读依据论文摘要(全文未开放获取或许可不允许翻译转载)。
英文原文(摘要)· 点击展开
OBJECTIVE: Artificial intelligence (AI) neural networks rapidly convert disparate facts and data into highly predictive analytic models. Machine learning maps image-patient phenotype correlations opaque to standard statistics. Deep learning performs accurate image-derived tissue characterization and can generate virtual CT images from MRI datasets. Natural language processing reads medical literature and efficiently reconfigures years of PACS and electronic medical record information.
CONCLUSION: AI logistics solve radiology informatics workflow pain points. Imaging professionals and companies will drive health care AI technology insertion. Data science and computer science will jointly potentiate the impact of AI applications for medical imaging.
引用
- Miller DD, Brown EW. How Cognitive Machines Can Augment Medical Imaging. AJR Am J Roentgenol. 2018. PMID: 30422716. doi:10.2214/AJR.18.19914
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。