The Past, Present, and Future Role of Artificial Intelligence in Ventilation/Perfusion Scintigraphy: A Systematic Review
Notice bibliographique
Résumé
Ventilation-perfusion (V/Q) lung scans constitute one of the oldest nuclear medicine procedures, remain one of the few studies performed in the acute setting, and are amongst the few performed in the emergency setting. V/Q studies have witnessed a long fluctuation in adoption rates in parallel to continuous advances in image processing and computer vision techniques. This review provides an overview on the status of artificial intelligence (AI) in V/Q scintigraphy. To clearly assess the past, current, and future role of AI in V/Q scans, we conducted a systematic Ovid MEDLINE(R) literature search from 1946 to August 5, 2022 in addition to a manual search. The literature was reviewed and summarized in terms of methodologies and results for the various applications of AI to V/Q scans. The PRISMA guidelines were followed. Thirty-one publications fulfilled our search criteria and were grouped into two distinct categories: (1) disease diagnosis/detection (N = 22, 71.0%) and (2) cross-modality image translation into V/Q images (N = 9, 29.0%). Studies on disease diagnosis and detection relied heavily on shallow artificial neural networks for acute pulmonary embolism (PE) diagnosis and were primarily published between the mid-1990s and early 2000s. Recent applications almost exclusively regard image translation tasks from CT to ventilation or perfusion images with modern algorithms, such as convolutional neural networks, and were published between 2019 and 2022. AI research in V/Q scintigraphy for acute PE diagnosis in the mid-90s to early 2000s yielded promising results but has since been largely neglected and thus have yet to benefit from today's state-of-the art machine-learning techniques, such as deep neural networks. Recently, the main application of AI for V/Q has shifted towards generating synthetic ventilation and perfusion images from CT. There is therefore considerable potential to expand and modernize the use of real V/Q studies with state-of-the-art deep learning approaches, especially for workflow optimization and PE detection at both acute and chronic stages. We discuss future challenges and potential directions to compensate for the lag in this domain and enhance the value of this traditional nuclear medicine scan.
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 | 0,005 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,012 | 0,012 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».