ARTIFICIAL INTELLIGENCE IN MUSCULOSKELETAL RADIOLOGY: A SYSTEMATIC REVIEW OF DIAGNOSTIC ACCURACY AND CLINICAL INTEGRATION
Notice bibliographique
Résumé
Background: Artificial intelligence (AI) has rapidly emerged as a transformative tool in musculoskeletal radiology, offering the potential to enhance diagnostic accuracy, reduce radiologist workload, and streamline clinical workflows. Despite numerous studies exploring AI applications across various imaging modalities, there remains limited consensus on their diagnostic reliability and integration into routine clinical practice. This gap highlights the need for a comprehensive evaluation of AI’s effectiveness in musculoskeletal imaging. Objective: This systematic review aims to evaluate the diagnostic performance, clinical benefits, and limitations of AI tools in detecting musculoskeletal conditions through radiographic imaging. Methods: A systematic review was conducted in accordance with PRISMA guidelines. Literature searches were performed in PubMed, Scopus, Web of Science, and the Cochrane Library for studies published between 2018 and 2024. Eligible studies included randomized controlled trials, cohort studies, and cross-sectional designs evaluating AI in musculoskeletal radiology. Inclusion criteria encompassed human studies with comparative diagnostic data. Data were extracted using a standardized form and assessed for bias using the Cochrane Risk of Bias Tool and Newcastle-Ottawa Scale. Due to heterogeneity in study designs and outcomes, a qualitative synthesis was conducted. Results: Eight studies met inclusion criteria, encompassing a range of musculoskeletal conditions such as fractures, osteoarthritis, and skeletal maturity assessment. AI models, primarily deep learning algorithms, consistently demonstrated high diagnostic performance with sensitivity and specificity exceeding 85% and AUC values often above 0.90. Despite strong accuracy, methodological variability and limited external validation were noted across studies. Conclusion: AI tools show strong potential in musculoskeletal radiology, demonstrating diagnostic performance comparable to expert radiologists. However, real-world clinical implementation remains limited by variability in study methods and generalizability. Further large-scale, multicenter studies are necessary to confirm clinical utility and integration strategies.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 ».