P.081 Chordoma management with artificial intelligence: a scoping review of current applications and future prospects
Notice bibliographique
Résumé
Background: Chordomas are rare, malignant bone tumors that present significant challenges in management and treatment due to their complex anatomical locations and propensity for recurrence. Advancements in artificial intelligence (AI) and machine learning (ML) show promise in improving chordoma management. Methods: A comprehensive literature search was conducted following PRISMA guidelines across multiple databases, including MEDLINE, Cochrane, Embase, Scopus, and Web of Science. The search targeted articles related to AI and ML applications in clinical tasks associated with chordoma management. The selection process involved systematic screening, data extraction, and assessment of inter-rater variability. Results: The search yielded 1,006 records, with 18 included for analysis. Convolutional neural networks (CNNs) excelled in tumor volume estimation, with the state-of-the-art model achieving a Dice similarity score of 74.2%, sensitivity of 79.4%, and positive predictive value of 74.3%. Clustering algorithms were effective in prognostic evaluations. Bayesian models and logistic regression demonstrated robustness in diagnostics. Support vector machines (SVMs) were noted for their diagnostic precision. Conclusions: AI and ML algorithms, particularly CNNs, clustering algorithms, Bayesian models, logistic regression, and SVMs, show promise in improving chordoma management through enhanced imaging, diagnostics, and prognostics. Future research should focus on larger, externally validated datasets and explore underutilized techniques like multi-modal data integration.
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 | 0,009 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,014 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».