Comprehensive literature review on the radiographic findings, imaging modalities, and the role of radiology in the COVID-19 pandemic
Notice bibliographique
Résumé
Since the outbreak of the coronavirus disease 2019 (COVID-19) pandemic, over 103214008 cases have been reported, with more than 2231158 deaths as of January 31, 2021. Although the gold standard for diagnosis of this disease remains the reverse-transcription polymerase chain reaction of nasopharyngeal and oropharyngeal swabs, its false-negative rates have ignited the use of medical imaging as an important adjunct or alternative. Medical imaging assists in identifying the pathogenesis, the degree of pulmonary damage, and the characteristic features in each imaging modality. This literature review collates the characteristic radiographic findings of COVID-19 in various imaging modalities while keeping the preliminary focus on chest radiography, computed tomography (CT), and ultrasound scans. Given the higher sensitivity and greater proficiency in detecting characteristic findings during the early stages, CT scans are more reliable in diagnosis and serve as a practical method in following up the disease time course. As research rapidly expands, we have emphasized the CO-RADS classification system as a tool to aid in communicating the likelihood of COVID-19 suspicion among healthcare workers. Additionally, the utilization of other scoring Pal A et al. Review of COVID-19 radiographic findings
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».