Artificial intelligence and chordoma: A scoping review of the current landscape and future directions
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
Introduction: Chordomas are rare, locally aggressive tumours that present significant treatment challenges due to their proximity to critical neurovascular structures. Artificial intelligence (AI) methodologies have shown promise in enhancing diagnostic precision, surgical planning, and prognostication in various cancers. Research question: What is the current landscape of AI applications in chordoma management, and what are the key limitations and future directions for integrating AI into clinical practice for this rare malignancy? Materials and methods: We conducted a scoping review following the PRISMA-ScR guidelines and the Arksey and O'Malley framework. A search of five databases with an end date of November 9, 2024, identified peer-reviewed studies assessing AI or machine learning applications in chordoma management. Data extraction focused on study characteristics, methodologies, clinical tasks, and performance metrics. Results: Twenty-one studies published between 2017 and 2024 were included, encompassing 5486 patients. The studies addressed diverse clinical tasks: 7 focused on differentiating chordomas from other tumours or classifying subtypes, 6 on survival prediction, 2 on tumour segmentation, 2 on outcome prediction, and 4 miscellaneous tasks. Common algorithms used included convolutional neural networks, support vector machines, random forests, and clustering algorithms. Limitations identified across studies included small sample sizes, single-center data, reliance on single data modalities, and issues with model interpretability. Discussion and conclusion: AI applications in chordoma management show potential in improving diagnostic accuracy, surgical planning, and prognostication. Future research should focus on collaborative efforts for larger, diverse datasets with external validation cohorts, interpretable multimodal models, and validation through prospective clinical trials.
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