Commercialization of medical artificial intelligence technologies: challenges and opportunities
Notice bibliographique
Résumé
Artificial intelligence (AI) technologies are already having significant impacts in healthcare 1 . For example, AI-guided imaging has shown promise in the management of vascular diseases, including carotid, aortic, and peripheral artery disease, which collectively affect over 200 million individuals globally and lead to significant mortality/morbidity related to catastrophic complications such as aneurysm rupture, stroke, and limb loss 2 , 3 , 4 . These diseases are typically managed by vascular specialists who rely on imaging modalities including ultrasound, computed tomography (CT), and fluoroscopy for diagnosis/treatment 5 . Recent advancements, such as three-dimensional reconstruction software and fluoroscopic roadmaps, have transformed pre-operative planning and intra-operative guidance 5 . However, despite the growing availability of AI tools, their integration into routine diagnostic vascular imaging remains limited. This is largely due to persistent financial, regulatory, and implementation challenges that impede clinical translation. Many AI solutions are developed without adequate alignment to regulatory pathways or quality assurance frameworks, which hinders their adoption in practice 6 . This is particularly concerning given that vascular diseases are frequently underdiagnosed 7 . For example, abdominal aortic aneurysms (AAA) are often captured incidentally on medical images obtained during the investigation of other abdominal concerns, including assessment of liver, gallbladder, and kidney conditions, rather than actively screened for despite guideline recommendations 8 . Consequently, many AAA’s remain undetected until rupture, which carry mortality rates up to 80% 9 . AI-enhanced imaging holds potential to increase screening uptake and facilitate timely, elective intervention prior to rupture 10 . In this article, we examine a recently developed deep learning algorithm for AAA screening and explore the broader challenges and opportunities associated with commercializing AI technologies to deliver tangible clinical impact.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».