MétaCan
Menu
Retour à la cohorte
Enregistrement W4412084516 · doi:10.1097/rli.0000000000001206

Current Research and Development in the Field of Magnetic Resonance Contrast Media

2025· article· en· W4412084516 sur OpenAlexaboutno aff
Val M. Runge

Notice bibliographique

RevueInvestigative Radiology · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueAdvanced MRI Techniques and Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésGadoliniumMagnetic resonance imagingContrast (vision)MedicineMedical physicsComputer scienceRadiologyMaterials scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

The next-generation, high relaxivity, gadolinium-based contrast agents (GBCAs) are discussed, together with new studies of safety, improvements in MR technique, and the ongoing development of additional agents. It is likely that the next generation agents, gadopiclenol and gadoquatrane, will largely replace the current standards, the macrocyclic gadolinium chelates, despite the excellent safety profile and very high stability of the latter. In the Group of Seven (G7) nations, which includes Canada, France, Germany, Italy, Japan, the United Kingdom and the United States, use of the linear gadolinium chelates has largely ceased, due to concerns regarding their relative instability as compared to the macrocyclic agents and the deposition of gadolinium that occurs in many tissues, including brain and bone, following their injection. Manganese-based compounds are once again being investigated, a field largely untouched since the initial development of clinical MR contrast media in the 1980s. Their potential impact on clinical imaging is, however, unclear. New information continues to emerge regarding differences in stability of the gadolinium-based agents. Artificial intelligence and deep learning techniques are maturing and are discussed briefly, given their potential and recent clinical application involving MR contrast media.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,002
Communication savante0,0020,004
Science ouverte0,0010,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0070,003

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.

Tête enseignante Opus0,081
Tête enseignante GPT0,420
Écart entre enseignants0,339 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInvestigative RadiologyMême sujetAdvanced MRI Techniques and ApplicationsTravaux en français237 207