<i>Radiology: Cardiothoracic Imaging</i> Highlights 2023
Notice bibliographique
Résumé
Radiology: Cardiothoracic Imaging publishes novel research and technical developments in cardiac, thoracic, and vascular imaging. The journal published many innovative studies during 2023 and achieved an impact factor for the first time since its inaugural issue in 2019, with an impact factor of 7.0. The current review article, led by the Radiology: Cardiothoracic Imaging trainee editorial board, highlights the most impactful articles published in the journal between November 2022 and October 2023. The review encompasses various aspects of coronary CT, photon-counting detector CT, PET/MRI, cardiac MRI, congenital heart disease, vascular imaging, thoracic imaging, artificial intelligence, and health services research. Key highlights include the potential for photon-counting detector CT to reduce contrast media volumes, utility of combined PET/MRI in the evaluation of cardiac sarcoidosis, the prognostic value of left atrial late gadolinium enhancement at MRI in predicting incident atrial fibrillation, the utility of an artificial intelligence tool to optimize detection of incidental pulmonary embolism, and standardization of medical terminology for cardiac CT. Ongoing research and future directions include evaluation of novel PET tracers for assessment of myocardial fibrosis, deployment of AI tools in clinical cardiovascular imaging workflows, and growing awareness of the need to improve environmental sustainability in imaging. Keywords: Coronary CT, Photon-counting Detector CT, PET/MRI, Cardiac MRI, Congenital Heart Disease, Vascular Imaging, Thoracic Imaging, Artificial Intelligence, Health Services Research © RSNA, 2024
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,007 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».