参考文献/References:
［1］ Syeda- Mahmood T. Role of big data and machine learning in diagnostic decision support in radiology［J］. J Am Coll Radiol， 2018， 15： 569- 576.
［2］ Mintz Y， Brodie R. Introduction to artificial intelligence in medicine［J］. Minim Invasive Ther Allied Technol， 2019， 28： 73- 81.
［3］ Iezzi R， Goldberg SN， Merlino B， et al. Artificial intelligence in interventional radiology： a literature review and future perspectives［J］. J Oncol， 2019， 2019： 6153041.
［4］ Shahid N， Rappon T， Berta W. Applications of artificial neural networks in health care organizational decision- making： a scoping review［J］. PLoS One， 2019， 14： e0212356.
［5］ Fu S， Lai H， Huang M， et al. Multi- task deep learning network to predict future macrovascular invasion in hepatocellular carcinoma ［J］. EClinicalMedicine， 2021， 42： 101201.
［6］ Audureau E， Carrat F， Layese R， et al. Personalized surveillance for hepatocellular carcinoma in cirrhosis： using machine learning adapted to HCV status［J］. J Hepatol， 2020， 73： 1434- 1445.
［7］ 张 岩，孙成建，张照龙，等．基于机器学习的前交通动脉瘤破裂预测模型的构建［J］． 介入放射学杂志， 2021， 30：412- 417．
［8］ Sardar P， Abbott JD， Kundu A， et al. Impact of artificial intelligence on interventional cardiology： from decision- making aid to advanced interventional procedure assistance［J］. JACC Cardiovasc Interv， 2019， 12： 1293- 1303.
［9］ Nam D， Chapiro J， Paradis V， et al. Artificial intelligence in liver diseases： improving diagnostics，prognostics and response prediction［J］. JHEP Rep， 2022， 4： 100443.
［10］ Choi GH， Yun J， Choi J， et al. Development of machine learning- based clinical decision support system for hepatocellular carcinoma［J］. Sci Rep， 2020， 10： 14855.
［11］ Park SH， Han K. Methodologic guide for evaluating clinical performance and effect of artificial intelligence technology for medical diagnosis and prediction［J］. Radiology， 2018， 286： 800- 809.
［12］ Peng J， Kang S， Ning Z， et al. Residual convolutional neural network for predicting response of transarterial chemoembolization in hepatocellular carcinoma from CT imaging［J］. Eur Radiol， 2020， 30： 413- 424.
［13］ Elsayed M， Kadom N， Ghobadi C， et al. Virtual and augmented reality： potential applications in radiology［J］. Acta radiol， 2020， 61： 1258- 1265.
［14］ Meek RD， Lungren MP， Gichoya JW. Machine learning for the interventional radiologist［J］. AJR Am J Roentgenol， 2019， 213： 782- 784.
［15］ Park BJ， Hunt SJ， Martin C， et al. Augmented and mixed reality： technologies for enhancing the future of IR［J］. J Vasc Interv Radiol， 2020， 31： 1074- 1082.
［16］ Yang J， Zhu J， Sze DY， et al. Feasibility of augmented reality- guided transjugular intrahepatic portosystemic shunt［J］. J Vasc Interv Radiol， 2020， 31： 2098- 2103.
［17］ Auloge P， Cazzato RL， Ramamurthy N， et al. Augmented reality and artificial intelligence- based navigation during percutaneous vertebroplasty： a pilot randomised clinical trial［J］. Eur Spine J， 2020， 29： 1580- 1589.
［18］ Gao YF， Song Y， Yin XR， et al. Deep learning- based digital subtraction angiography image generation［J］. Int J Comput Assist Radiol Surg， 2019， 14： 1775- 1784.
［19］ Cho H， Lee JG， Kang SJ， et al. Angiography- based machine learning for predicting fractional flow reserve in intermediate coronary artery lesions［J］. J Am Heart Assoc， 2019， 8： e011685.
［20］ Yang S， Kweon J， Roh JH， et al. Deep learning segmentation of major vessels in X- ray coronary angiography［J］. Sci Rep， 2019， 9： 16897.
［21］ Spieler B， Sabottke C， Moawad AW， et al. Artificial intelligence in assessment of hepatocellular carcinoma treatment response［J］. Abdom Radiol（NY）， 2021， 46： 3660- 3671.
［22］ LeCun Y， Bengio Y， Hinton G. Deep learning［J］. Nature， 2015， 521： 436- 444.
［23］ Wu CF， Wu YJ， Liang PC， et al. Disease- free survival assessment by artificial neural networks for hepatocellular carcinoma patients after radiofrequency ablation［J］. J Formos Med Assoc， 2017， 116： 765- 773.
［24］ Qiu Y， Wang T， Yang X， et al. Development and validation of artificial neural networks for survival prediction model for patients with spontaneous hepatocellular carcinoma rupture after transcatheter arterial embolization［J］. Cancer Manag Res， 2021， 13： 7463- 7477.
［25］ Xu S， Guan LJ， Shi BQ， et al. Recurrent hemoptysis after bronchial artery embolization： prediction using a nomogram and artificial neural network model［J］. AJR Am J Roentgenol， 2020， 215： 1490- 1498.
［26］ 王颖晶，倪连超，陈珊黎，等． 经皮冠状动脉介入治疗术后复发预警模型研究［J］． 医学信息学杂志， 2022， 43：40- 43， 71．
［27］ Asadi H， Dowling R， Yan B， et al. Machine learning for outcome prediction of acute ischemic stroke post intra- arterial therapy［J］. PLoS One， 2014， 9： e88225.
［28］ Pons E， Braun LM， Hunink MG， et al. Natural language processing in radiology： a systematic review［J］. Radiology， 2016， 279： 329- 343.
［29］ Esteva A， Robicquet A， Ramsundar B， et al. A guide to deep learning in healthcare［J］. Nat Med， 2019， 25： 24- 29.
［30］ Ueda D， Shimazaki A， Miki Y. Technical and clinical overview of deep learning in radiology［J］. Jpn J Radiol， 2019， 37： 15- 33.
［31］ 尹任其，郭洪波，曲乐丰，等． AR技术配合3 D打印模型在介入手术教学培训中的应用研究［J］． 中国医学教育技术， 2020，34：378- 381．
［32］ Uppot RN， Laguna B， McCarthy CJ， et al. Implementing virtual and augmented reality tools for radiology education and training， communication， and clinical care［J］. Radiology， 2019， 291： 570- 580.
［33］ Verhey JT， Haglin JM， Verhey EM， et al. Virtual， augmented， and mixed reality applications in orthopedic surgery［J］. Int J Med Robot， 2020， 16： e2067.
［34］ Ben Ali W， Pesaranghader A， Avram R， et al. Implementing machine learning in interventional cardiology： the benefits are worth the trouble［J］. Front Cardiovasc Med， 2021，8： 711401.
［35］ Seah J， Boeken T， Sapoval M， et al. Prime time for artificial intelligence in interventional radiology［J］. Cardiovasc Intervent Radiol， 2022， 45： 283- 289.
［36］ Abajian A， Murali N， Savic LJ， et al. Predicting treatment response to intra- arterial therapies for hepatocellular carcinoma with the use of supervised machine learning： an artificial intelligence concept［J］. J Vasc Interv Radiol ， 2018， 29： 850- 857.
［37］ Kocak B， Durmaz E， Ates E， et al. Radiomics with artificial intelligence： a practical guide for beginners［J］. Diagn Interv Radiol， 2019， 25： 485- 495.
相似文献/References:
[1]吴虹霖,雷丽程,杨茂江,等.支持向量机CT引导下肺穿刺活检气胸预测模型的研究[J].介入放射学杂志,2018,27(06):572.
WU Honglin,LEI Licheng,YANG Maojiang,et al.The establishment and application of pneumothorax prediction model for CT- guided percutaneous transthoracic lung biopsy based on support vector machine[J].journal interventional radiology,2018,27(12):572.
[2]张 岩,孙成建,张照龙,等.基于机器学习的前交通动脉瘤破裂预测模型的构建[J].介入放射学杂志,2021,30(04):412.
ZHANG Yan,SUN Chengjian,ZHANG Zhaolong,et al.Construction of prediction model for anterior communicating aneurysm rupture based on machine learning technique[J].journal interventional radiology,2021,30(12):412.
[3]翟義胲,林 雪,蒲圆金,等.基于机器学习的肝动脉化疗栓塞术后栓塞综合征预测模型构建和比较[J].介入放射学杂志,2023,32(09):886.
ZHAI Yihai,LIN Xue,PU Yuanjin,et al.Construction of the model based on machine learning algorithm technique used for predicting post-embolization syndrome after hepatic artery chemoembolization[J].journal interventional radiology,2023,32(12):886.