Radiomics-Based Diagnosis in Cardiology: Advances and Prospects
Notice bibliographique
Résumé
With the increasing need for faster and more accurate diagnosis in cardiology, radiomics presents an innovative approach for assessing medical images and diagnosing clinical conditions. This review aims to highlight the applications of radiomics in the diagnosis of cardiovascular conditions. The development of a radiomic model typically progresses as follows: image acquisition and preprocessing, image segmentation, image processing, feature extraction, feature selection, and machine learning modeling and validation. Image data is commonly obtained from cardiac computed tomography angiography, cardiac magnetic resonance imaging, echocardiography, and nuclear imaging. Using machine learning frameworks such as decision trees, random forests, support vector machines, XGBoost, and deep learning, radiomics-based models demonstrated better performance for diagnosis and prediction of cardiovascular events than models designed using conventional clinical risk factors. Radiomics is applied in plaque and adipose tissue characterization to determine the degree of stenosis or predict plaque rupture. In cardiomyopathies, radiomics is employed to distinguish between healthy and diseased tissues. A notable challenge hindering the integration of radiomics in clinical practice is the lack of standardization of study protocols, including image acquisition and processing. Multiple studies also highlighted the need for high-quality images as well as validation of the radiomics model using data from multiple data collection centers. Findings from this study revealed that, while notable advancements have been recorded in radiology-based diagnosis in cardiology, there is a need for further research effort to harmonize evidence and enable the real-world clinical application of radiomics.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».