对深度学习驱动的工作列表分拣对放射学工作流程和临床结果的影响进行系统审查
Eshan Momin1, Tessa Cook2, Gabrielle Gershon1
1Department of Radiology and Imaging Sciences, Emory University Hospital, Atlanta, GA, USA.
European radiology
|May 21, 2025
概括
深度学习 (DL) 选系统显著减少了在各种条件下诊断成像报告周转时间. 这些基于人工智能的工具在改善患者的治疗结果和减轻放射学工作负载方面表现有前途,特别是在高患病率环境中.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 诊断成像报告的周转时间正在增加,可能会延迟患者的护理.
- 深度学习 (DL) 为优化成像工作流提供了潜在的解决方案.
- 基于DL的分类对诊断延迟和患者结果的影响需要系统评估.
研究的目的:
- 系统地审查基于DL的分组对诊断延迟和患者结果的影响.
- 分析DL在不同临床环境和整合模式中的选性能.
- 评估DL在减少诊断成像中报告周转时间方面的有效性.
主要方法:
- 对同行评审和预印出版物的系统审查 (2018年1月-2024年7月).
- 包括关于基于DL的工作清单优化的研究,用于诊断成像选.
- 关于研究设计,数据集,工作流量指标 (周转时间,治疗时间) 和患者结果的数据提取.
- 使用ROBINS-I检查清单进行偏差风险评估.
主要成果:
- 分析了38项涉及138,423张图像的研究,涉及肺栓塞,中风,内出血和胸部疾病.
- 在所有分析的条件中,DL-triage显示了更短的中位数报告周转时间.
- 通过DL算法进行主动工作列表分层,与基于小部件的系统相比 (-7.6%) 产生了显著的减少 (-43.7%).
结论:
- 基于DL的分类系统有效地改善了报告处理时间,特别是在门诊和高流行环境中.
- 人工智能驱动的分组显示出减轻放射学工作量和减少诊断延迟的前景.
- 需要进一步的研究来解决虚假阴性检查和针对特定临床建议的多条件优先级.
更多相关视频
相关概念视频
01:17Radiation: Applications
The average temperature of Earth is the subject of much current discussion. Earth is in radiative contact with both the Sun and dark space; it receives almost all its energy from the radiation of the Sun and reflects some of it into outer space. Dark space is very cold, about 3 K, so Earth radiates energy into it. For instance, heat transfer occurs from soil and grasses, the rate of which can be so rapid that frost can occur on clear summer evenings, even in warm latitudes.
The average...
The average...
01:30Atomic Emission Spectroscopy: Interference
In atomic emission spectroscopy (AES), high-temperature atomizers excite a broad range of elements and molecules that generate complex emissions from sources such as oxides, hydroxides, and flame combustion products in the flame or plasma. Several strategies can be employed to minimize spectral interferences caused by overlapping emission lines or bands. These include increasing instrument resolution, choosing alternative emission lines, optimally placing the detector in low-background regions,...