The Use of Artificial Intelligence in Medical Imaging: A Nationwide Pilot Survey of Trainees in Saudi Arabia
Notice bibliographique
Résumé
Artificial intelligence is dramatically transforming medical imaging. In Saudi Arabia, there are a lack of studies assessing the level of artificial intelligence use and reliably determining the perceived impact of artificial intelligence on the radiology workflow and the profession. We assessed the levels of artificial intelligence use among radiology trainees and correlated the perceived impact of artificial intelligence on the workflow and profession with the behavioral intention to use artificial intelligence. This cross-sectional study enrolled radiology trainees from Saudi Arabia, and a 5-part-structured questionnaire was disseminated. The items concerning the perceived impact of artificial intelligence on the radiology workflow conformed to the six-step standard workflow in radiology, which includes ordering and scheduling, protocoling and acquisition, image interpretation, reporting, communication, and billing. We included 98 participants. Few used artificial intelligence in routine practice (7%). The perceived impact of artificial intelligence on the radiology workflow was at a considerable level in all radiology workflow steps (range, 3.64−3.97 out of 5). Behavioral intention to use artificial intelligence was linearly correlated with the perceptions of its impact on the radiology workflow and on the profession (p < 0.001). Artificial intelligence is used at a low level in radiology. The perceived impact of artificial intelligence on radiology workflow and the profession is correlated to an increase in behavioral intention to use artificial intelligence. Thus, increasing awareness about the positive impact of artificial intelligence can improve its adoption.
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 | 0,008 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».