Recommendations for Standardizing Nuclear Medicine Terminology and Data in the Era of Theranostics and Artificial Intelligence
Notice bibliographique
Résumé
There is a pressing need for improved standardization of terminology and data in nuclear medicine. The field is experiencing unprecedented growth, driven by advances in radiopharmaceutical therapy (RPT) and the emergence of artificial intelligence (AI). However, there are challenges that threaten to frustrate this continued progress. For instance, despite the successes of RPT, high-quality evidence on how to best personalize RPT and take full advantage of its theranostics properties is still lacking. To obtain this evidence, large, structured datasets are needed to associate different RPT strategies with patient outcomes. Large datasets are also needed for the development of AI algorithms, especially as new foundation models demand increasingly large training datasets. Both of these obstacles could be overcome by multiinstitutional data sharing. However, inconsistencies in terminology and data collection make effective data pooling difficult. This article, produced by the Society of Nuclear Medicine and Molecular Imaging AI-Dosimetry Working Group, discusses the need for standardization in nuclear medicine terminology and data. We advocate for the adoption of standardized data and metadata frameworks based on controlled biomedical ontologies to better harmonize the collection of nuclear medicine data. We provide recommendations for the field that, if followed, would facilitate multiinstitutional data sharing and allow for the collection of large datasets. We describe a use case demonstrating how standardized vocabularies and data collection can enhance efforts to associate theranostics target expression data with patient outcomes.
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 | 0,002 | 0,004 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».