Current and Emerging Applications of Artificial Intelligence in Medical Imaging for Paediatric Hip Disorders—A Scoping Review
Notice bibliographique
Résumé
INTRODUCTION: Paediatric hip disorders present unique challenges for artificial intelligence (AI)-aided assessments of medical imaging due to disease-related and age-dependent changes in hip morphology. This scoping review aimed to describe current and emerging applications of AI in medical imaging for paediatric hip disorders. METHODS: A descriptive synthesis of articles identified through PubMed, Embase, Cochrane Library, Web of Science, Emcare, and Academic Search Premier databases was performed including articles published up until June 2024. Original research articles' titles and abstracts were screened, followed by full-text screening. Two reviewers independently conducted article screening and data extraction (i.e., data on the article and the model and its performance). RESULTS: Out of 871 unique articles, 40 were included. The first article was dated from 2017, with annual publication rates increasing thereafter. Research contributions were primarily from China (17 [43%]) and Canada (10 [25%]). Articles mainly focused on developing novel AI models (19 [47.5%]), applied to ultrasound images or radiographs of developmental dysplasia of the hip (DDH; 37 [93%]). The three remaining articles addressed Legg-Calvé-Perthes disease, neuromuscular hip dysplasia in cerebral palsy, or hip arthritis/osteomyelitis. External validation was performed in eight articles (20%). Models were mainly applied to the diagnosis/grading of the disorder (22 [55%]), or on screening/detection (17 [42.5%]). AI models were 17 to 124 times faster (median 30) in performing a specific task than experienced human assessors, with an accuracy of 86-100%. CONCLUSIONS: Research interest in AI applied to medical imaging of paediatric hip disorders has expanded significantly since 2017, though the scope remains restricted to developing novel models for DDH imaging. Future studies should focus on (1) the external validation of existing models, (2) implementation into clinical practice, addressing the current lack of implementation efforts, and (3) paediatric hip disorders other than DDH.
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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».