Artificial intelligence in emergency neuroradiology: Current applications and perspectives
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
• The applications of artificial intelligence in emergency neuroradiology have substantially expanded in depth and scope in the past few years. • Machine learning and deep learning algorithms are now used in several tasks related to acute ischemic stroke, acute intracranial hemorrhage, intracranial aneurysm and arteriovenous malformations. • The application of artificial intelligence in emergency neuroradiology is growing, calling for more development driven by clinical needs, attention to pediatric neuroimaging, and analysis of real-world performance. Emergency neuroradiology provides rapid diagnostic decision-making and guidance for management for a wide range of acute conditions involving the brain, head and neck, and spine. This narrative review aims at providing an up-to-date discussion about the state of the art of applications of artificial intelligence in emergency neuroradiology, which have substantially expanded in depth and scope in the past few years. A detailed analysis of machine learning and deep learning algorithms in several tasks related to acute ischemic stroke involving various imaging modalities, including a description of existing commercial products, is provided. The applications of artificial intelligence in acute intracranial hemorrhage and other vascular pathologies such as intracranial aneurysm and arteriovenous malformation are discussed. Other areas of emergency neuroradiology including infection, fracture, cord compression, and pediatric imaging are further discussed in turn. Based on these discussions, this article offers insight into practical considerations regarding the applications of artificial intelligence in emergency neuroradiology, calling for more development driven by clinical needs, attention to pediatric neuroimaging, and analysis of real-world performance.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle