How to apply evidence-based practice to the use of artificial intelligence in radiology (EBRAI) using the data algorithm training output (DATO) method
Notice bibliographique
Résumé
OBJECTIVE: As the number of radiology artificial intelligence (AI) papers increases, there are new challenges for reviewing the AI literature as well as differences to be aware of, for those familiar with the clinical radiology literature. We aim to introduce a tool to aid in this process. METHODS: In evidence-based practise (EBP), you must Ask, Search, Appraise, Apply and Evaluate to come to an evidence-based decision. The bottom-up evidence-based radiology (EBR) method allows for a systematic way of choosing the correct radiological investigation or treatment. Just as the population intervention comparison outcome (PICO) method is an established means of asking an answerable question; herein, we introduce the data algorithm training output (DATO) method to complement PICO by considering Data, Algorithm, Training and Output in the use of AI to answer the question. RESULTS: We illustrate the DATO method with a worked example concerning bone age assessment from skeletal radiographs. After a systematic search, 17 bone age estimation papers (5 of which externally validated their results) were appraised. The paper with the best DATO metrics found that an ensemble model combining uncorrelated, high performing simple models should achieve error rates comparable to human performance. CONCLUSION: Considering DATO in the application of EBR to AI is a simple systematic approach to this potentially daunting subject. ADVANCES IN KNOWLEDGE: The growth of AI in radiology means that radiologists and related professionals now need to be able to review not only clinical radiological literature but also research using AI methods. Considering Data, Algorithm, Training and Output in the application of EBR to AI is a simple systematic approach to this potentially daunting subject.
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 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».