小编来分享一篇个人对​放射学中AI的10个关键用途不涉及解释相关分析，众所周知，无论是在坊间民众，还是在汽车媒体的议论中，都是不错的，至于产品到底香不香，通过测试还是可以对​放射学中AI的10个关键用途不涉及解释的产品力分析分析的，一起来看看吧!

人工智能有望对放射学产生巨大的影响，但大多数注意力都集中在其识别医学影像中重要发现的能力上。技术的非解释性又如何呢?

《学术放射学》上发表的一项新分析详细介绍了AI可以定期帮助该专业的许多其他方式。以下是AI可以在放射学中使用的10种方式，这些方式不涉及对影像学发现的解释：

1.降噪

AI增强图像质量的能力可帮助放射科医生完成工作并提供最准确的诊断。

论文的主要作者，西雅图华盛顿大学放射学系医学博士Michael L. Richardson和同事写道：“最初的深度学习技术导致图像过于平滑，细节丢失，基本结构的可见度下降。” “但是，这已经通过使用卷积神经网络(CNN)和生成对抗网络的最新技术来解决，从而可以在不损失关键信息的情况下使图像降噪。”

2.减少辐射剂量和对比剂量

近年来，与CT和PET成像相关的辐射剂量越来越引起人们的关注，全世界的专家都在努力通过新技术解决方案和更新协议来减少辐射。人工智能也可以在这一领域发挥关键作用，其中一些算法可以“直接从低剂量原始传感器数据创建高质量图像”，而其他算法则可以将低质量PET图像转换为高质量图像。

同样，人工智能可以帮助减少MRI扫描期间对造影剂的需求，从而减轻与基于contrast的造影剂相关的担忧。

3.立即评估图像质量

拍摄某些图像是放射学中必不可少的现实，尤其是在MRI扫描过程中。AI可以帮助确保立即识别出“次优图像”，从而确保患者离开场所后无需再次带回。

作者写道：“召回这些患者进行重复成像会导致诊断延迟，医疗保健系统成本增加，并且在某些情况下还会增加放射线照耀。”

4.改进“扫描仪，患者和工作人员”的安排

随着利用率的不断提高，至关重要的是改善成像提供商设备的组织。人工智能可以在这方面提供帮助，这是因为始终可以通过使用电子健康记录来收集大量数据;作者解释说，算法可以检测“调度利用效率低下”，有助于在此类问题发生之前就加以解决。

5.改善帐单

作者写道：“拒绝保险索赔可能会造成多达3%至5%的收入损失，” “这导致医疗保健组织将诸如NLP和其他机器学习工具之类的AI技术用于创新解决方案，以优化账单，报告分类和拒绝对账。”

6.开辟和优化协议

AI可以帮助专家开辟理想的协议，并确保技术人员尽可能坚持使用脚本。此外，“进行协议优化研究时，经过适当培训的CNN可能为人类读者提供可接受的替代物。”

7.工作清单优先级

人工智能可用于对紧急发现进行优先排序，并增强对放射科医生的检查范围。这仍然是AI在放射学中最著名的非解释性用途之一，是一种有效的方法，可将周转时间缩短到最低限度，并为最需要它的患者提供护理。

8.图像注释和分割

批注可帮助放射科医生与患者沟通并随时间推移追踪发现，而分段是专注于医学图像特定方面的实用步骤。AI模型可以帮助专家完成这些任务以及图像标记，从而帮助他们花费更多的时间进行诊断并提供最佳的患者护理。

理查森等人，这在临床试验中特殊有价值。解释。

作者写道：“图像注释和分割仍然是肿瘤临床试验中的重要组成部分，在该临床试验中，在不同时间点从基线追踪病变(目标或非目标)以评估治疗反应。” 这些研究需要在不同时间点对不同阅读器的病变进行精确一致的评估，并且可以使用注释以及在某些情况下自动/半自动分割或体积评估来进行最佳优化。研究表明，深度学习可以有效地监测变化，并在治疗之前，之中和之后进行定量分析，还可以帮助预测预后终点。”

9.基于图像的搜索引擎

由机器学习支持的医学图像搜索引擎可用于商业和培训目的，从而使用户可以搜索“图像的视觉内容”。

10.检测和预防对抗性攻击

PACS的网络攻击，甚至是医学图像本身都是合法威胁，随着时间的推移，这种威胁可能会更加严峻。甚至已经开辟出了一些可以“欺骗”放射科医生的算法，从而产生伪造的影像学发现，从而导致错误的诊断。该研究的作者说，研究人员目前正在努力利用AI技术来对抗此类攻击。

他们写道：“已经提出了诸如数字图像水印和ML算法等检测篡改图像的方法，例如“特征压缩”或“防备性蒸馏”，以检测控制图像。“与此同时，预防对抗攻击始于对问题的认识并采取一些简单的实践标准。”