Artificial intelligence in emergency neuroradiology: Current applications and perspectives
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.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 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 ».