Augmented Reality and Machine Learning in Health: A Systematic Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Augmented Reality (AR) is a useful technology for providing an information-rich reality by superimposing digital objects and giving a virtual interpretation of the physical environment. AR has played a key role in reducing cognitive load and the applications of AR have been useful in various fields ranging from manufacturing, advertisement, education, military, and health. AR has also been deployed on various platforms like mobile, computer screens, and head-mounted displays (HMD). In this paper, we systematically reviewed research papers that have applied AR systems with machine learning (ML) in various health-related domains within the past 12 years (2010–2021). We present a review of the state-of-the-art AR implementation and research in the area of health by (1) identifying various AR approaches, (2) uncovering various areas of health where AR have been applied, (3) determining the current trend, gaps, and areas for future work, (4) highlighting the artificial intelligence (AI) and machine learning (ML) algorithms used in the AR systems and how they are used, and (5) comparing the different visualization modalities (web, mobile, and HMD). This review adds to the existing literature by shedding light on the common tools, successful approaches used in implementing previous AR projects, and evaluation methods. We uncover how AI and object tracking was implemented in AR for health. Finally, we identify gaps and offer recommendations for advancing research in this area.
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.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle