介绍了一个名为 MONAI 的 PyTorch 框架，用于医疗领域的深度学习应用，特别关注医学成像数据的处理，可提供特定于目的的 AI 模型架构、转换和实用程序，以简化医疗 AI 模型的开发和部署。

Nov, 2022

本研究提出并评估了一种综合人工智能在医学领域的框架（HAIM），以促进利用多模态输入实现人工智能系统的生成和测试，该框架可在医疗保健环境中进行研究和部署，并通过使用 Shapley 值量化每个模态和数据源的贡献，展示了多模态输入在不同医疗任务中的必要性。

Feb, 2022

本研究旨在更好地定义医疗保健中人工智能系统的适当组织治理的要求，并支持卫生系统领导人在人工智能应用方面做出更明智的决策。我们通过与美国各大卫生系统的领导者和相关领域的关键人士进行合作，识别了医疗保健 AI 应用的标准，设计了易于使用的原型，确定了准确的决策点，并发现了 AI 应用生命周期中的综合程序。至今为止，这是有关美国卫生系统使用新兴技术的治理结构和过程的最详细的质性分析之一。

Apr, 2023

AI 医疗技术对健康医疗产生重大影响，本文回顾了在医疗领域中可解释机器学习（IML）和可解释人工智能（XAI）的过程和挑战，着重关注质量控制，并针对实验结果阐明了健康医疗中稳健解释性的重要性，为创建可沟通的医生 - 人工智能工具提供了见解。

Nov, 2023

本篇综述回顾了人工通用智能模型在医疗保健中的潜在应用，重点关注了基于大型自然语言模型、大型视觉模型和大型多模态模型的基础，强调了整合临床专业知识、领域知识和多模态能力到人工通用智能模型中的重要性，并阐述了指导医疗保健人工通用智能模型开发和部署的关键路线图，提供了有关在医疗领域部署大规模人工通用智能模型所面临的潜在挑战和风险的关键观点。该综述旨在为人工通用智能在医学影像、医疗保健及其他领域的未来可能应用提供启示。

Jun, 2023

通过认真评估和验证以确保 AI 模型达到最高的安全、有效性和功效标准，上线前以及生产使用中实施输入和输出保护措施、持续监测并追踪人群水平性能、公正性和结果传递、定期审查上线后的模型性能、教育放射科医生关于新的算法驱动发现对于 AI 在临床实践中的有效应用至关重要，强调在多个层面上合作的质量保证是重要的，从立法、临床、技术和伦理等方面，通过透明地展示 AI 遵守与其他已建立的医疗技术相同的严格的安全、有效性和功效标准，树立开发者、提供者和患者等的信心，使 AI 可靠扩展并实现其潜在的益处的愿景，本论文提出的路线图旨在加快 AI 在放射学中可部署、可靠和安全的实现。

Nov, 2023

医学领域中的人工智能技术发挥着越来越重要的作用，特别是在医学成像领域，通过生成式人工智能可以增强图像质量并提高医学诊断和患者护理水平。

Mar, 2024

最近在生成 AI 方面取得的突破已经在多个领域，包括医学成像方面，取得了令人难以置信的进展。我们提出了 MONAI 生成模型，这是一个开放源代码的平台，可以帮助研究人员和开发人员轻松训练、评估和部署生成模型及相关应用。

Jul, 2023

通过建立医学影像平台，利用收集的来自亚洲的医学影像数据，解决数据不平衡的问题，提供医学人工智能研发所需的数据并合并区块链技术用于数据安全。

Mar, 2024

本文提出了一种新颖的基于机器教学、整合了 DICOM 标准 SR 注释的人工智能模型服务，以及将其集成到开源的 LibreHealth 放射学信息系统（RIS）中。此平台利用主动学习策略，使得放射学家与模型之间可以建立合作关系，并且运用群集学习方法，实现了共享有多个用户的用户特定模型权重的目标。

Mar, 2023