The Role of Artificial Intelligence in the Diagnosis of Neoplastic Diseases: A Systematic and Bibliometric Review
Notice bibliographique
Résumé
Artificial intelligence (AI) has significantly transformed the medical field, especially in the diagnosis, treatment, and management of oncological diseases. It has had a profound impact on clinical decision-making and has enhanced the quality of life for various populations. This study aims to comprehensively assess the inherent relationship between AI and medicine and to uncover both its positive and negative implications. To achieve a comprehensive understanding, a thorough systematic review of articles was conducted, examining a total of 80 papers published between 2017 and 2023. These articles were carefully selected from well-known open-access databases, such as Scopus, IOPscience, IEEE Xplore, Google Scholar, ResearchGate, and ProQuest. A key finding from this review is that the majority of research on this topic has been published in scientific journals ranked in the first-quartile (Q1), underscoring the importance and high quality of research in this field. The United States, China, India, the United Kingdom, and Canada are the foremost countries in publishing on this topic. Most of the research is published in first-quartile (Q1) journals, representing 51% of the studies. Only 1% of articles appear in third-quartile (Q3) journals. IEEE Xplore is renowned as the primary database for accessing high-impact studies in this field. Future research should prioritize investigating the long-term impact of AI on patient clinical outcomes. International collaborative research could promote innovation and fairness in the implementation of artificial intelligence (AI) in oncology.
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 | 0,024 | 0,097 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,008 |
| Bibliométrie | 0,103 | 0,096 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| 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 ».