Exploring the integration of artificial intelligence in radiology education: A scoping review
Notice bibliographique
Résumé
BACKGROUND: The integration of Artificial Intelligence (AI) into radiology education presents a transformative opportunity to enhance learning and practice within the field. This scoping review aims to systematically explore and map the current landscape of AI integration in radiology education. METHODS: The review process involved systematically searching four databases, including MEDLINE (Ovid), Embase (Ovid), PsychINFO (Ovid), and Scopus. Inclusion criteria focused on research that addresses the use of AI technologies in radiology education, including but not limited to, AI-assisted learning platforms, simulation tools, and automated assessment systems. This scoping review was registered on Open Science Framework using the Preferred Reporting Items for Systematic reviews and Meta-Analysis (PRISMA) extension to scoping review. RESULTS: Of the 1081 search results, 9 studies met the inclusion criteria. Key findings indicate a diverse range of AI applications in radiology education, from personalized curriculum generation and diagnostic support tools to automated evaluation systems. The review highlights both the potential benefits, such as enhanced diagnostic accuracy, and the challenges, including technical limitations. CONCLUSION: The integration of AI into radiology education, which has significant potential to enhance outcomes and professional practice, requires overcoming existing challenges and ensuring that AI complements rather than replaces traditional methods, with future research needed on longitudinal studies to evaluate its long-term impact.
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 | 0,017 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,023 | 0,020 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».