MétaCan
Menu
Retour à la cohorte
Enregistrement W4323035284 · doi:10.1002/9781119790686.ch33

AI for Workflow Enhancement in Radiology

2023· other· en· W4323035284 sur OpenAlexaff
Sabeena Jalal, Jason Yao, Savvas Nicolaou, Adnan Sheikh

Notice bibliographique

RevueAI in Clinical Medicine · 2023
Typeother
Langueen
DomaineMedicine
ThématiqueRadiology practices and education
Établissements canadiensUniversity of British ColumbiaMcMaster UniversityVancouver General Hospital
Organismes subventionnairesnon disponible
Mots-clésWorkflowRadiologyComputer scienceWorkflow technologyScheduling (production processes)Medical physicsMedicineEngineeringDatabaseOperations management

Résumé

récupéré en direct d'OpenAlex

AI has the ability to support the radiologist far beyond the process of image analysis. AI can be utilized to enhance efficiency at all stages of radiology workflow by assisting in an array of non-diagnostic and repetitive tasks – for example, resource allocation, support for imaging order entry, patient scheduling, and improving the radiology workflow. This chapter will provide a basic overview of how AI technology improves radiology workflow management. In addition, we have outlined an illustrative case study of AI support in radiology workflow. We aim to offer a broader understanding of the value of using AI technology in a radiology department.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,033
Score d'incertitude au seuil0,110

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,008
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0020,003
Communication savante0,0060,005
Science ouverte0,0010,004
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0330,013

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.

Tête enseignante Opus0,126
Tête enseignante GPT0,519
Écart entre enseignants0,393 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAI in Clinical MedicineMême sujetRadiology practices and educationTravaux en français237 207