基于风险模型的临床决策支持系统在自杀筛查中的应用：一项随机临床试验 学术背景 自杀预防是全球公共卫生领域的重要议题，尤其是在医疗环境中，如何有效识别自杀风险并进行干预是当前研究的重点。传统的自杀风险识别方法主要依赖于患者的自我报告、支持网络的反馈或面对面的筛查。然而，这些方法存在一定的局限性，例如患者可能不愿意主动报告自杀倾向，或者医疗资源有限，无法对所有患者进行全面的筛查。近年来，随着大数据和人工智能技术的发展，基于统计模型的自杀风险评估工具逐渐被引入临床实践，以辅助医生的判断。然而，这些工具在临床决策支持系统（Clinical Decision Support, CDS）中的应用效果尚未得到充分验证。 本研究旨在评估基于风险模型的临床决策支持系统在自杀风险评估中的有效性，特别是比较“中断...
大型语言模型在放射学图像解读中的表现：与人类读者的比较研究 学术背景 近年来，大型语言模型（Large Language Models, LLMs）在多个领域展现了强大的能力，尤其是在自然语言处理方面。随着多模态LLMs的发展，这些模型不仅能够处理文本，还能够处理音频、视觉和视频等多种输入形式。代表性的多模态LLMs包括OpenAI的GPT-4 Turbo with Vision（GPT-4V）、Google DeepMind的Gemini 1.5 Pro以及Anthropic的Claude 3。这些模型在放射学领域的应用也逐渐增多，尤其是在生成和结构化放射学报告方面。然而，尽管LLMs在文本输入方面表现出色，其在解读放射学图像方面的能力仍然受到质疑。此前的研究表明，LLMs在基于患者病史和...
深度学习算法在乳腺癌筛查中的应用 学术背景 乳腺癌是全球女性中最常见的癌症之一，早期筛查对于提高治愈率至关重要。传统的计算机辅助检测（Computer-Aided Detection, CAD）系统在乳腺X线摄影筛查中已被广泛使用，尤其是在美国。然而，这些系统虽然提高了召回率，但对读者（即放射科医生）的表现改善有限。近年来，深度学习（Deep Learning, DL）算法在医学影像分析中的应用迅速增长，特别是在乳腺癌筛查领域。多项系统综述和荟萃分析表明，自2017年以来，DL算法在乳腺X线摄影筛查中的证据迅速增加。尽管一些研究表明，DL算法作为单一读者时表现不逊于人类读者，但目前尚无独立算法能够在保持可接受召回率的同时，优于标准的双阅读系统。因此，DL算法目前还无法完全取代人类读者在双阅读...
大型语言模型在翻译CT和MRI自由文本放射学报告中的能力 学术背景 在全球化的背景下，患者的流动性增加，放射学报告作为疾病诊断和管理的重要工具，常常需要被翻译成不同的语言。然而，语言障碍可能会影响这些报告的有效使用，进而影响患者的及时和准确管理。随着远程医疗的兴起，患者越来越多地寻求远程专家咨询或第二意见，这进一步加剧了语言障碍的挑战。如果没有准确的翻译，这些报告可能会被误解或忽视，导致诊断延迟和潜在的错误。 由于具备医学专业知识的人工翻译并不总是随时可用，基于人工智能的模型，特别是大型语言模型（LLMs），提供了有前景的替代方案。尽管这些模型最初是为通用语言处理任务设计的，但它们在翻译等应用中也展示了良好的效果。然而，LLMs在翻译放射学报告方面的能力尚未得到充分探索，尤其是在处理低资源语...
人工智能解释类型对医生诊断表现和信任的影响 学术背景 近年来，人工智能（Artificial Intelligence, AI）在医疗保健和放射学领域的诊断系统发展迅速，尤其是在辅助超负荷工作的医疗提供者方面，AI系统展现了改善患者护理的潜力。截至2022年，美国食品药品监督管理局（FDA）已批准了190个放射学AI软件程序，且批准率逐年上升。然而，AI从概念验证到实际临床应用的整合仍存在巨大鸿沟。为了弥合这一差距，培养对AI建议的适当信任至关重要。尽管高准确性的AI系统已在真实临床环境中证明了其提升医生诊断表现和患者结果的能力，但错误的AI建议可能会降低诊断表现，这无疑导致了AI在临床中的延迟应用。 医生们呼吁AI工具应具备透明性和可解释性。在医学影像领域，AI工具可以提供两类解释：局部解...
GPT-4在胸部X光片评估中的潜力：一项回顾性研究 学术背景 近年来，人工智能（AI）在医疗领域，尤其是放射学中的应用日益广泛。AI工具的引入正在改变临床实践，尤其是在影像诊断中。然而，AI工具的广泛采用面临诸多挑战，包括资金不足、信息技术（IT）集成效率低下以及验证不足等问题。此外，医疗专业人员，尤其是放射科医生，普遍缺乏足够的统计学知识，这进一步阻碍了他们对AI工具的深入理解和应用。随着放射学研究越来越依赖于数据驱动技术，放射科医生需要具备批判性评估统计方法及其局限性的能力。 大型语言模型（LLMs），如OpenAI的GPT-4，因其能够理解自然语言、推理和解释复杂信息的能力，逐渐在放射学中得到认可。GPT-4的Advanced Data Analysis（ADA）扩展功能使其能够分析数...
大型视觉语言模型在放射学中的应用：GPT-4V的多模态与多解剖区域能力定量评估 学术背景 近年来，大型语言模型（Large Language Models, LLMs）如OpenAI的ChatGPT在文本生成领域取得了显著进展。这些模型基于Transformer架构，通过海量文本数据进行训练，能够在无需大量示例的情况下生成可信的文本输出（few-shot learning和zero-shot learning）。LLMs在医学领域的应用也日益广泛，例如将自由文本的放射学报告转换为标准化模板，以及从肺癌的CT报告中挖掘数据。此外，LLMs在放射学考试中的表现也显示出其具备一定的“知识”储备，并能够帮助简化放射学报告。 随着GPT-4V（GPT-4 with Vision）的推出，模型不仅能够处...
基于深度强化学习的液体透镜显微镜自动对焦技术研究 学术背景 显微镜成像在科学研究、生物医学研究和工程应用中扮演着至关重要的角色。然而，传统显微镜及其自动对焦技术在实现系统小型化和快速精准对焦方面面临着硬件限制和软件速度缓慢的问题。传统显微镜通常采用多个固定焦距透镜和机械结构来实现放大和对焦功能，导致设备体积庞大、对焦速度慢，难以在狭小空间内快速操作。液体透镜（liquid lens）因其无机械部件、通过电信号调节焦距的特点，具有体积小、响应速度快、制造成本低等优势，成为解决这些问题的潜在方案。 近年来，人工智能和新光学元件的发展为显微镜自动对焦技术带来了新的研究方向。传统的自动对焦方法依赖于图像清晰度评估，通常需要多次图像采集和评估，速度较慢。深度学习技术的引入使得直接从单张图像预测焦平面位...
快速3D成像在数字细胞病理学中的应用：多相机阵列扫描仪（MCAS） 学术背景 光学显微镜长期以来一直是细胞病理学诊断的标准方法。然而，传统的全片扫描仪虽然能够自动成像并数字化大面积的样本，但其速度慢、成本高，因此并未广泛普及。特别是在细胞学样本的临床诊断中，样本通常分布在大面积且较厚的区域，这要求进行3D成像。现有的全片扫描技术在处理厚样本时，往往需要数小时才能完成扫描，这极大地限制了其在临床中的应用。因此，开发一种能够快速、高效地对厚样本进行3D成像的技术成为了细胞病理学领域的一个重要挑战。 本文提出了一种新型的多相机阵列扫描仪（Multi-Camera Array Scanner, MCAS），旨在解决这一难题。MCAS通过并行化的显微镜设计，能够在极短的时间内对大面积、厚样本进行高分辨...
基于信号-语言架构的心电图诊断基础模型研究 学术背景 心血管疾病（CVD）是全球范围内导致死亡的主要原因，早期识别高风险人群至关重要。心电图（ECG）作为一种非侵入性、成本低廉且广泛应用的诊断工具，每年记录超过3亿次，是早期诊断心血管疾病的重要手段。然而，即使是经验丰富的心脏病专家，解读复杂的心电图仍然是一项耗时且容易出错的任务。在偏远和医疗资源匮乏的地区，提供准确的诊断尤为困难。 近年来，人工智能（AI）在心电图解读中的应用显示出巨大潜力。研究表明，基于AI的心电图诊断在某些特定疾病的诊断上已经超越了普通心脏病专家。然而，现有的主流自动心电图诊断系统通常针对少数特定疾病进行训练，数据分布的差异和多中心疾病的广泛性使得这些模型难以直接应用于其他中心的数据集。因此，开发一种能够在初始训练后不依...