P.074 Assessing the emergence and evolution of artificial intelligence and machine learning research in neuroradiology
Notice bibliographique
Résumé
Background: Interest in artificial intelligence (AI) and machine learning (ML) has been growing in neuroradiology, but there is limited knowledge on how this interest has manifested into research and the field’s trends, challenges, and future directions. Methods: The American Journal of Neuroradiology was queried for original research articles published since inception (Jan. 1, 1980) to Sept. 19, 2022 that contained any of the following key terms: “machine learning”, “artificial intelligence”, or “radiomics”. Articles were screened, categorized into Statistical Modelling (Type 1), AI/ML Development (Type 2), or End-user Application (Type 3) and then bibliometrically analyzed. Results: A total of 124 articles were identified with 85% being non-integration focused (Type 1 n = 41, Type 2 n = 65) and the remaining (n = 18) being Type 3. The total number of articles published grew two-fold in the last five years, with Type 2 articles mainly driving this growth. While most (66%) Type 2 articles were led by a radiologist with 55% possessing a postgraduate degree, a minority of Type 2 articles addressed bias (15%) and explainability (20%). Conclusions: The results of this study highlight areas for improvement but also strengths that stakeholders can consider when promoting the shift towards integrating practical AI/ML solutions in neuroradiology.
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 | 0,018 | 0,141 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,033 | 0,032 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,009 | 0,006 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,027 | 0,005 |
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 ».