The Use of Artificial Intelligence and Deep Learning in Medical Imaging: A Nationwide Survey of Trainees in Saudi Arabia
Notice bibliographique
Résumé
Artificial intelligence is dramatically transforming medical imaging. We assessed the levels of artificial intelligence use among radiology trainees and explored their perceived impact of artifi-cial intelligence on the radiology workflow and radiology profession, in correlation with the perceived ease of use and behavioral intention to use artificial intelligence. This cross-sectional study enrolled radiology trainees from Saudi Arabia, and an online 5-part-structured question-naire was disseminated via online networks to trainee in July 2021. We included 98 participants (51 male; age 27.59±2.02 years). Level of use was low; few used it in routine practice (7%). The impact of artificial intelligence on the radiology workflow was positively perceived in all radi-ology workflow steps (3.64–3.97 out of 5). A positive impact on the radiology profession was more frequently perceived for technical and performance aspects (81%–85%) compared with prestige and legal aspects (64%–71%). Perceived ease of use and behavioral intention to use arti-ficial intelligence was associated with the current professional activity, level of use artificial in-telligence use, and perceived impact on the profession as well as on radiology workflow (p<0.05). Levels of artificial intelligence use in radiology are very low. The perceived positive impact of ar-tificial intelligence on radiology workflow and profession is correlated with an increase in be-havioral intention to use artificial intelligence. Thus, increasing awareness about the favorable impact can improve the behavioral use.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».