- 综合排序
- 最热优先
- 最新优先
- 来自专栏企鹅号快讯
机器学习VS放射科医生
它能比放射科医生更好地利用胸部X片诊断肺炎，而且在短短一个月内就完成了超越。 虽然四名放射科医生各有千秋，但是，CheXnet的表现比他们都厉害。 利用颜色标明最可能患有肺炎的区域，这可以极大地辅助放射科医生进行诊断。 斯坦福大学图 我太激动了。我希望斯坦福大学的所有放射科医师都能马上接受这项技术，因为我对这种技术能带来的好处深有体会。 医生进行了所有可以想到的疾病测试，但还是没能确认病因。所以，儿子在再次输液后，又被放回了家。 两天之后，我们接到放射科的电话，周末的X光检查结果已改为肺炎。这是一个放射科医生错过了两次的诊断。 科技小羊挑选文章中的内容不能替代专业医生和医务人员的建议，若采纳，请读者自行承担后果和风险。
1K60发布于 2018-01-16 - 来自专栏新智元
击败40%临床医生！谷歌首次验证「全科医学AI系统」，看病难真要成历史？
「看病难」在全世界范围内都是一个难题，想要成为一位优秀的专科、全科医生不仅需要耗费大量时间来进行知识学习，还需要经历足够多的病例来获取实操经验。 今年4月，美国哈佛大学、斯坦福大学、耶鲁医学院、加拿大多伦多大学等多所顶尖高校、医疗机构的研究人员在Nature上联合提出了一种全新的医学人工智能范式，即「全科医学人工智能」（generalist medical 文中还进一步探究了Med-PaLM M的能力和局限性，研究人员对比了模型生成的及人类编写的胸部X光报告进行了放射科医师评估，在246份病例中，临床医生认为Med-PaLM M的报告在40.5%的样本中比放射科医生编写的要更好 MultiMedBench 为了训练和评估大模型在执行各种临床相关任务的能力，谷歌的研究人员收集了一个多任务、多模态的全科医疗基准数据集MultiMedBench 该基准由12个开源数据集以及14个独立任务组成 Med-PaLM M：全科生物医疗AI的概念验证 基座模型：PaLM-E PaLM-E是一个多模态语言模型，可以处理包括文本、视觉和传感器信号等多模态的输入序列，使用了预训练的PaLM和ViT模型，
79020编辑于 2023-09-09 UCF AI Institute | MedRoute：RL 训练全科医生 Agent 动态路由多专科 LMM，MedQA 88.76% 超越 MAM
导读当前多模态医疗 Agent 框架（MedAgents、MDAgents、MAM）多采用静态或预定义的专家选择——Agent 池一次性定死、调用顺序固定、各专家之间缺乏前后诊断上下文传递，不符合真实临床的串联流程：全科医生 论文开篇给出了一个直观例子：一张膝关节 X 光骨髓炎病例，独立诊断（Case A）因缺乏协调给出错误诊断、顺序错误（Case B）因初始推理偏差也错，只有按正确顺序的顺序诊断（Case C，骨科 → 放射科 → 风湿科）才能给出"骨髓炎"的正确结论。 近年医疗 LMM 方向进展快速：BiomedGPT、Medichat-LLaMA3、LLaVA-Med在文本理解、视觉 QA、疾病分类、病灶检测、报告生成等多类任务上微调；RadFM、RadVLM聚焦放射科，
25010编辑于 2026-04-27- 来自专栏新智元
【AI全球大战医生】Hinton：5-10年内深度学习取代放射科医生
编辑：张乾 弗朗西斯 文强 【新智元导读】2017年4月，Hinton在接受《纽约客》采访时说：“5年内深度学习就能超过放射科医生，从现在起就停止培训放射科医生”。 机器人医生是人类的未来吗？ 2017年4月，Hinton在接受《纽约客》采访时说：“作为放射科医生你就像卡通里的歪心狼一样，你已经冲出悬崖很远，但还没有往下看，实际上你的脚下空空如也。” 实际上，Hinton在医院里说的是，“应该从现在起就停止培训放射科医生”。 Hinton告诉《纽约客》记者：“放射科医生的角色从做感知（perceptual）的事情演变而来，这可能由一只训练有素的鸽子完成。” 斯坦福大学还创建了胸部X射线的热图，颜色代表最可能代表肺炎的图像区域，研究人员认为CheXnet可以极大地帮助人类放射科医生的工具。
1.1K60发布于 2018-03-20 - 来自专栏新智元
美加顶尖大学Nature发文：全科医学人工智能GMAI不止要取代「放射科医生」
---- 新智元报道 编辑：LRS 【新智元导读】人工智能席卷医学界，全科AI医生的野心不会止步于看X光！ 图灵奖得主、深度学习先驱Hinton曾预言到，「人们现在应该停止培训放射科医生。 很明显，在五年内，深度学习会比放射科医生做得更好。这可能需要10年的时间，但我们已经有了足够多的放射科医生。」 我认为，如果你是一名放射科医生，你就像一只已经走到悬崖边缘、但还没有往下看的野狼。 近七年过去了，人工智能技术仅仅参与并替代了部分放射员的技术工作，并且存在功能单一、训练数据不足等问题，让放射科医生的饭碗依然握得很牢。 最近，来自多所美国哈佛大学、斯坦福大学、耶鲁医学院、加拿大多伦多大学等多所顶尖高校、医疗机构的研究人员在Nature上联合提出了一种全新的医学人工智能范式，即「全科医学人工智能」（generalist 在这种情况下，可能需要一个多学科小组（由放射科医生、病理科医生、肿瘤科医生和其他专家组成）来判断GMAI的输出是否正确。
68110编辑于 2023-05-09 - 来自专栏AI科技评论
Google AI 又来放大招，放射科医生会被取代吗？
今年 5 月，Google AI 和美国西北大学医学院的科学家们创建模型，通过筛查检测出肺癌，水平超过了有 8 年经验的放射科医生。 为了减少基于文本的标签提取过程中可能出现的错误，并为若干 ChestX-ray14 图像提供相关标签，他们专门招募放射科医生，检查这两个数据库中的约 3.7 万幅图像。 三名放射科医生通过小组合作的形式，审查所有结果，测试数据库图像，并在线讨论解决相互之间的分歧。这项研究的合著者也表示，通过这种方式，原先只能通过放射科医生检测到的结果，也能被准确地识别并记录下来。 例如，对于 ChestX-ray14 图像，同一放射科医生检测气胸的灵敏度约为 79%，但对于其他数据库，检测气胸的灵敏度仅有 52%。 但同时，将人工智能和放射科医生各自的优势相结合，很可能是人工智能应用于医学图像解读的最佳方式。
63850发布于 2019-12-18 - 来自专栏AI科技大本营的专栏
谷歌新深度学习系统可以促进放射科医生的发展
因此，它们仅在放射科医生知道要寻找什么的情况下才有用。 但放射科医生不一定会从寻找特定疾病开始。建立一个可以检测所有可能疾病的系统是极其困难的——如果不是不可能的话。 通过深度学习增强放射科医生 当深度学习模型和放射科医生一起工作时，结果是提高了速度和生产力。 放射学在深度学习方面有着深厚的学习历史。 人们现在应该停止培训放射科医生。很明显，在五年内，深度学习将比放射科医生做得更好，因为它会获得更多经验，也许可能需要十年的时间，但我们已经有很多放射科医生了。” 但五年后，人工智能并没有让放射科医生失业。事实上，尽管放射科医师的数量有所增加，但全球放射科医师仍然严重短缺，放射科医生的工作不仅仅是查看 X 射线扫描。 在他们的论文中，谷歌研究人员指出，他们的深度学习模型成功地检测到异常 X 射线，其准确性与人类放射科医生是可比的，在某些情况下甚至优于人类放射科医生。
48920发布于 2021-09-27 - 来自专栏思影科技
影像学纹理分析：放射科医生需要知道的事项
影像学纹理特征是图像中图像强度的变化，是影像组学的重要组成部分。本文的目的是讨论影响纹理度量性能的一些参数，并提出建议，以指导未来影像组学研究的设计和评估。
2K10编辑于 2022-06-13 - 来自专栏企鹅号快讯
Hinton：5-10年内深度学习取代放射科医生
2017年4月，Hinton在接受《纽约客》采访时说：“5年内深度学习就能超过放射科医生，从现在起就停止培训放射科医生”。此言论一出，再一次引发全球关于AI正在取代医生的焦虑讨论。 机器人医生是人类的未来吗？ 2017年4月，Hinton在接受《纽约客》采访时说：“作为放射科医生你就像卡通里的歪心狼一样，你已经冲出悬崖很远，但还没有往下看，实际上你的脚下空空如也。” 实际上，Hinton在医院里说的是，“应该从现在起就停止培训放射科医生”。 Hinton告诉《纽约客》记者：“放射科医生的角色从做感知（perceptual）的事情演变而来，这可能由一只训练有素的鸽子完成。” 斯坦福大学还创建了胸部X射线的热图，颜色代表最可能代表肺炎的图像区域，研究人员认为CheXnet可以极大地帮助人类放射科医生的工具。
1.5K60发布于 2018-01-05 - 来自专栏专知
浪潮过后的思考：AI短期内难以取代放射科医生
，所以他们不应该费事去成为放射科医生。 在这篇文章中，我将尝试解释为什么诊断放射科医生不会被取代（只要他们和能及时掌握技术）的三个主要原因，甚至讨论为什么我们需要培养更多的放射科医生。 如果有人说AI将取代放射科医生，那么我需要强调一下放射科医师不只是看看图片！ “放射科医生”甚至在未来都不会被称为放射科医师——至少这是我去年在RSNA上听到过的一种说法，但这并不能否定一个事实，即人类仍将控制着数据的流动。 ▌放射科医生将会做什么呢？ 放射科医生将从使用粗糙工具的“lump学家”转变为“数据处理者”，处理更加复杂的量化产出。 放射科医生也将被赋予比以往更专业的能力，随着生产力的提高，医生和病人都能有更多的时间交流病情结果。
1.5K90发布于 2018-04-13 - 来自专栏ATYUN订阅号
斯坦福开发新算法CheXNet，能比放射科医生更好地发现肺炎
研究人员让四名放射科医师检查一组X光并进行诊断，然后与CheXNet的诊断结果相比较。CheXNet不仅击败了所有的放射科医生，在发现了肺炎的同时，还证明了其他13种疾病的识别能力。 ? 最近发表在《自然》杂志上的另一种深度学习算法，能够识别出癌症的皮肤病变，效果好到可以与一名经过董事会认证的皮肤科医生相媲美。 此前的研究表明，人工智能在CT扫描中发现问题的能力和医生一样好。 Geoffrey Hinton是深度学习的先驱之一，他认为，由于人工智能的进步，医学院“现在应该停止训练放射科医生”。分析基于图像的数据，如X光、CT扫描和医学照片，是深度学习算法的优势所在。 它们可以很好地帮助医生拯救患者的生命。
1.2K50发布于 2018-03-05 - 来自专栏智能生信
IEEE TMI | 深度神经网络提升放射科医生在乳腺癌筛查的表现
最终通过reader study，证明本文的模型对于同样的数据，可以达到与经验丰富的放射科医生一样精确。 并且展示一个由模型预测和放射科医生预测平均而来的混合模型比分别由模型和放射科医生预测的精度更高。 ? 一、研究背景 乳腺癌是美国女性中第二大主要癌症导致死亡的癌症。 传统的计算机辅助检测(CAD)在乳房X线摄影中通常被放射科医生用来协助图像解释，尽管多中心的研究表明这些CAD程序没有改进他们的诊断性能。 ，以帮助放射科医生阅读乳腺癌筛查检查。 并且通过由神经网络和专家共同组成混合模型比任何一个单独的都表现的好，证明这个模型可以提高放射科医生对乳腺癌检测的敏感性。
1.3K20发布于 2021-02-04 - 来自专栏镁客网
取代医生？No，IBM想要用认知计算优化医生的工作
对于Waston来说，它的最终目的并不是要取代医生，而是增强医生的诊断能力，用技术帮助医生和患者。
52760发布于 2018-05-29 - 来自专栏新智元
Google 在Nature 发文：AI 只能当放射科医生的助理
五年前Hinton曾预测放射科医生将全部失业，如今五年过去了，随着COVID-19的流行，放射科医生反而越来越稀缺。 人们现在应该停止培训放射科医生。很明显，在五年内，深度学习将比放射科医生做得更好，因为它会获得更多经验，或者可能需要十年，但我们现在已经有很多放射科医生了。 但五年后的今天，人工智能并没有让放射科医生失业。事实上，尽管放射科医师的数量有所增加，但全球放射科医师仍然严重短缺，因为放射科医生的工作不仅仅是查看 X 射线扫描。 Google 的深度学习模型虽然成功地检测到异常 X 射线拍摄的胸片，其准确度可与人类放射科医生相媲美，在某些情况下甚至优于人类放射科医生。 为了评估深度学习系统的效率，研究人员在两个模拟场景中对其进行了测试，该模型通过帮助放射科医生确定异常扫描的优先级或排除发现正常的扫描来帮助放射科医生。
67520发布于 2021-10-12 - 来自专栏新智元
放射科医生再临危机！国外五大机构联合发布「胸部X光」最新基准
新智元报道 编辑：LRS 【新智元导读】「胸部X光」数据集迎来重大变化：包含了医学图像的严重度及医生诊断的不确定度，文中还提出了一种用于CXR疾病分类的解剖结构感知的多关系图学习方法。 其次，由于胸片的基本复杂性和难度，对医生的疾病不确定性进行建模非常重要。放射科医生经常在临床记录中使用「可能」、「不排除」和「也许」等术语在临床记录中表明不同程度的不确定性。 对于疾病的不确定性，研究人员与医生合作，制定了不同的不确定性词语与标签值的映射，将不同的严重程度对应于不同的标签值，对疾病的描述越肯定，标签值越高，如表2所示。 表1：表示疾病严重程度的词语 表2：表示疾病不确定性的词语 研究人员邀请经验丰富的医生评估提取的标签的准确性，向医生提供了500份随机选择的放射学报告及其相应提取的疾病，严重程度和不确定性标签。 根据医生的反馈统计了标签的准确性，如表3所示。 表3：提取的标签的准确性评估 方法 基于上述提取的标签上使用图网络对疾病分类。
31910编辑于 2024-01-12 - 来自专栏刘旷专栏
春雨医生的艰难转身
这并不是搜狗第一次投资春雨医生了。早在今年3月份，搜狗就成为了春雨医生的第七大股东，持股6.39%，搜狗的王小川也成为春雨医生的公司董事。 简单来说，春雨医生想要打造一个一站式医疗全服务的平台。 为什么要重启“五芒星模型”呢？原因很简单，在春雨医生的线上问诊业务逐渐触及天花板的时候，公司不得不探索出一条新的道路去发展。 比如连接患者和医生这两个端点，就形成了春雨医生如今最主要的在线问诊业务，而且也是众多互联网医疗平台首选的一种业务。 其次，向一个生态平台的转型，除了可以丰富春雨医生的商业化途径，也可以帮助春雨医生提升整体平台的容纳性。 春雨医生虽然在面对那些强劲对手的时候略有不足，但是面对竞争火热的赛道，春雨医生也不能犹豫，毕竟参与其中总是存在机会，但是不在赛道之中只能被那些竞争对手越甩越远，这种利弊取舍，春雨医生自然会抉择好。
1K40发布于 2020-09-14 - 来自专栏ATYUN订阅号
人工智能会取代医生吗？看看专业医生怎么说吧
我们已经遇到了很多次人工智能在医疗任务中与医生发生分歧，这时一个问题不可避免地浮出水面:人工智能会取代医生吗?如果你与人工智能专家或硅谷投资者交谈，答案往往是肯定的。 但是，到目前为止，没有人问过医生。 在一项针对英国初级保健医生的全国性调查中，绝大多数医生的回答是“AI不会取代医生”。 医生们十分怀疑人工智能是否能在六项主要医疗任务中取代他们，但是大多数医生都十分乐意让人工智能帮助他们处理书面任务。 大约有700名初级保健医生参与了这项调查，并在一个知名的在线医疗论坛上做了广告。 每位医生都被要求评价“人工智能的现在与未来”是否有可能在六个关键医疗任务中完全取代医生:分析病人信息以做出诊断;分析患者信息以达到预估;评估何时将病人转介给其他卫生专业人员;制定个性化的治疗方案;为病人提供共情关怀 “医生们似乎认为，如果人工智能帮助医生们更好的完成治疗，而不是影响医生治疗，那么人工智能将会得到更多的应用。”
1.2K20发布于 2018-12-29 - 来自专栏镁客网
谷歌发布新的AI乳腺癌检测系统，误诊和漏诊率均低于专业放射科医生
策划&撰写：Lynn 当地时间2020年1月1日，谷歌健康部门联手DeepMind在Nature上发布了一项最新研究成果——AI乳腺癌检测系统，作者称该系统检测乳腺癌的能力超过专业放射科医生。 结果显示，人工智能模型检测结果的假阳性率（误诊率）比放射科医生的诊断结果低5.7%（美国）和1.2%（英国），假阴性率（漏诊率）比放射科医生的诊断结果低9.4%（美国）和2.7%（英国）。 在上述研究的独立子实验中，人工智能系统的表现优于全部6名放射科医生。 其实，在谷歌发布该系统之前，包括谷歌医疗、MIT在内的多家研究机构都曾发布过AI诊断乳腺癌的研究成果。 但与往常不同的是，谷歌健康部门称此次发布的成果在设计上做了大幅优化，且定位明确，是作为辅助医生判断的工具，同时其成本也在原有的基础上大大降低。 研究人员对外表示，“该AI系统可以帮助医生发现错误，同时医生仍然可以使用该技术来提升患者的治疗效果，并且大家完全不用担心医生会对软件产生依赖。” 值得一提的是，该算法的代码尚未发布。
54530发布于 2020-02-10 - 来自专栏网络工程师笔记
互联网医生-ICMP协议
在《IP协议详解》入门文章中，IP协议并不是一个可靠的协议，它不保证数据被送达，那么，自然的，保证数据送达的工作应该由其他的模块来完成。其中一个重要的模块就是网际报文控制协议(InternetControl Message ProtocoL,ICMP )。
1.4K20发布于 2021-05-17 - 来自专栏叶子的开发者社区
最大流解决医生排班问题
设计一个排班的方案使得每个假日都有一个医生值班并且满足下面两个条件： 每个医生最多只能值班c个假日； 每个医生在一个假期中只能值班1个假日。例如，安排李医生在“五一”假期中的5月4日值班。 场景建模 我们首先具体化医生排班问题的参数，例如：假设一个医院有2名医生，现有国庆节和劳动节两个假期需要安排医生值班，假设两个假期假日都为2天。 A医生可以值班的假日为国庆假的第一天和第二天以及劳动节的第一天。B医生可以值班的假日为国庆假的第一天和劳动节的第二天。 设计一个排班的方案使得每个假日都有一个医生值班并且满足下面两个条件： 1. 每个医生最多只能值班2个假日； 2. 每个医生在一个假期中只能值班1个假日。 建立流网络 我们首先根据问题生成一个流网络，如图2所示，先创建一个超级源点S，让超级源点S到每个医生的流量都是2，即让每个医生至多值班2天；然后创建流网络的中间节点，并限制路径上的最大流量为1，即限制一个医生在一个假期中最多只值班一天
73630编辑于 2023-07-30
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号