A survey of Paediatric Radiology Artificial Intelligence
Notice bibliographique
Résumé
ABSTRACT Background Artificial intelligence (AI) applications in paediatric radiology present unique challenges due to diverse anatomy and physiology across age groups. Advancements in AI algorithms, particularly deep learning techniques, show promise in improving diagnostic accuracy. Objectives To survey trends in AI research in paediatric radiology. To evaluate use cases, tasks, research methodologies and underlying data. To identify potential biases and future directions. Methods A systematic search of paediatric radiology AI studies published from 2015 to 2021 was conducted following the PRISMA guidelines and the Cochrane Collaboration Handbook. The search included papers utilizing AI techniques for radiological diagnosis or intervention in patients aged under 18. Narrative synthesis was used due to methodological heterogeneity. Results A total of 292 articles were included, with an increasing annual trend in the number of published articles. Neuroradiology and musculoskeletal radiology were the most common subspecialties. MRI was the dominant imaging modality, with segmentation and classification as the most common tasks. Retrospective cohort studies constituted the majority of research designs. Data quality and quantity varied, as did the choice of research design, data sources, and evaluation metrics. Conclusions AI literature in paediatric radiology shows rapid growth, with advancements in various subspecialties and tasks. However, potential biases and data quality issues highlight the need for rigorous research design and evaluation to ensure the generalisability and reliability of AI models in clinical practice. Future research should focus on addressing these biases and improving the robustness of AI applications in paediatric radiology.
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 | 0,014 | 0,082 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,027 | 0,029 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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; 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 ».