64 papers
De wereld van radiologie en beeldvorming staat centraal in het modern medisch onderzoek, waar geavanceerde scans en afbeeldingen helpen om ziekten vroegtijdig te detecteren en behandelingen te sturen. Deze categorie op Gist.Science belicht hoe wetenschappers nieuwe inzichten vergaren over MRI, CT-scans en andere diagnostische technieken die het menselijk lichaam zichtbaar maken zonder ingrepen.
Elke nieuwe preprint die verschijnt op medRxiv binnen dit domein wordt door ons direct verwerkt. We bieden voor elk onderzoek zowel een begrijpelijke samenvatting in gewone taal als een gedetailleerde technische analyse, zodat zowel experts als geïnteresseerden de laatste doorbraken kunnen volgen. Hieronder vindt u de nieuwste publicaties uit dit dynamische veld, direct vanaf de bron.
Dit artikel presenteert op expertconsensus gebaseerde technische aanbevelingen voor de klinische vertaling van renale Dynamic Contrast-Enhanced (DCE)-MRI, met als doel protocollen te standaardiseren en de vergelijkbaarheid tussen verschillende locaties te verbeteren via een gewijzigd Delphi-proces waarbij een internationaal panel van experts betrokken is.
Generatievolgende grote taalmodellen, specifiek Claude Opus 4.7 en GPT-5.5, uitgerust met retrieval-augmented generation met domeinspecifieke bronnen voor nucleaire cardiologie, bereikten gemiddelde nauwkeurigheidspercentages van ongeveer 86% op het ASNC-voorbereidingsexamen voor de raad, waarmee ze zowel de geschatte doorgangsdrempel als de gemiddelde prestatie van menselijke fellows in opleiding overtroffen.
Deze prospectieve studie toont aan dat, hoewel de schijnbare diffusiecoëfficiënt (ADC) beperkte reproduceerbaarheid vertoont tussen MRI-sessies en leveranciers, de maximale waarde van de restrictiescore voor restrictiespectrumbeeldvorming (RSIrs-max) aanzienlijk sterkere cross-sessie reproduceerbaarheid toont bij de detectie van prostaatkanker, zelfs onder variërende acquisitie-instellingen en leverancierscondities.
Dit artikel betoogt dat huidige hersenleeftijdsmodellen fundamenteel gebrekkig zijn als biomarkers voor versnelde veroudering, omdat ze zijn getraind om gedeelde chronologische patronen te prioriteren terwijl individuele trajecten worden genegeerd, wat leidt tot misleidende conclusies dat stabiele anatomische verschillen tekenen van neurodegeneratie zijn.
Dit artikel presenteert het ontwerp, de validatie en de succesvolle toepassing van een kostenefficiënt, op een microcontroller gebaseerd gasleveringssysteem dat vaste respiratoire stimuli automatiseert en synchroniseert met MRI-acquisitie, waarbij betrouwbare fysiologische en BOLD-signaalresponsen worden aangetoond in studies naar cerebrovasculaire reactiviteit.
Dit studieprotocol schetst een retrospectieve veiligheidsanalyse van de "CT-klok"-methode, een eenvoudige techniek die standaard CT-scans gebruikt om patiënten met een ischemische beroerte en onbekende aanvangstijden te identificeren die veilig trombolyse kunnen ondergaan buiten het standaardvenster van vier en een half uur, met als doel de toegang tot behandeling uit te breiden naar ziekenhuizen zonder geavanceerde beeldvormingsmogelijkheden.
Dit artikel presenteert een hybride augmentatietechniek die geometrische transformaties en generatieve adversariale netwerken combineert om de klassenongelijkheid in de VinDr-SpineXR-dataset op te lossen, waardoor VGG-16 en InceptionNet een validatie-accuraatheid van ongeveer 99% bereiken met een lager rekenkundig overhead dan een puur GAN-benadering.
Deze studie concludeert dat MAP-MRI geen significante microstructurele hersenveranderingen kan detecteren bij patiënten met een acute milde traumatische hersenletsel (mTBI), hoewel er wel klinische symptomen aanwezig waren.
Deze studie toont aan dat het ensemble van meerdere MedGemma-4B-it modellen via soft voting de diagnostische nauwkeurigheid voor het detecteren van longontsteking bij kinderen op röntgenfoto's significant verbetert ten opzichte van individuele modellen, wat potentieel biedt voor privacy-bewuste, real-time klinische ondersteuning.
Deze studie introduceert MoEMIL, een multi-task deep learning-model dat pretreatment MRI en whole slide images integreert om de respons op inductiechemotherapie en de overleving bij patiënten met lokaal gevorderd nasofarynxcarcinoom nauwkeuriger te voorspellen dan traditionele TNM-stadiëring.