AI-Driven Neonatal MRI Interpretation: A Systematic Review of Diagnostic Efficiency, Prognostic Value, and Implementation Barriers for Hypoxic-Ischemic Encephalopathy
Notice bibliographique
Résumé
Artificial intelligence (AI), especially deep learning techniques, is revolutionizing neonatal neuroimaging by significantly improving the detection and prognostic evaluation of hypoxic-ischemic encephalopathy (HIE), a major contributor to neonatal morbidity and mortality. This systematic review integrates findings from five high-quality, peer-reviewed studies published between 2015 and 2025, identified through comprehensive searches of PubMed, Embase, Scopus, and the Cochrane Library. The review followed Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) guidelines and applied the Newcastle-Ottawa Scale (NOS), Risk of Bias 2 (RoB 2), and Assessment of Multiple Systematic Reviews 2 (AMSTAR 2) tools to ensure methodological rigor and minimize bias. AI algorithms, especially convolutional neural networks (CNNs), have shown high effectiveness in identifying brain injuries associated with HIE, with sensitivity ranging from 83% to 95% and specificity between 86% and 93%. These models frequently outperform conventional radiological assessments in diagnostic accuracy. These models also reduced interpretation time by up to 47%, streamlining critical care workflows. Prognostic AI tools showed 77-87% accuracy in predicting long-term neurodevelopmental outcomes, aiding in early clinical interventions and family guidance. Despite these promising results, limitations such as small sample sizes (n = 100-200), heterogeneous MRI protocols, and high computational demands hinder broader clinical application. Standardized imaging, multi-center collaboration, and explainable AI models are crucial for clinical scalability. Moreover, successful integration of AI into neonatal intensive care units (NICUs) requires rigorous validation, ethical oversight, and clinician training to ensure safety, transparency, and trust. Collaborative efforts between neonatologists, radiologists, data scientists, and policymakers will be essential to align AI innovations with patient-centered care. As this technology matures, it holds significant potential to improve diagnostic precision, optimize clinical outcomes, and reduce disparities in neonatal neurological care.
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 | 0,019 | 0,102 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,010 | 0,015 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».