APPLICATION OF ARTIFICIAL INTELLIGENCE IN DETECTING MUSCULOSKELETAL ABNORMALITIES THROUGH AUTOMATED RADIOGRAPHIC IMAGE ANALYSIS: SYSTEMATIC REVIEW
Notice bibliographique
Résumé
Background: Artificial intelligence (AI) is rapidly transforming diagnostic radiology, particularly in musculoskeletal imaging where precise and timely detection of abnormalities is essential for effective treatment. While numerous AI applications have been explored in individual studies, the lack of a consolidated synthesis of their diagnostic accuracy and clinical relevance in radiographic analysis of musculoskeletal disorders highlights a significant gap in the literature. Objective: This systematic review aims to evaluate the current evidence on the application of artificial intelligence in detecting musculoskeletal abnormalities using automated analysis of radiographic images, focusing on diagnostic accuracy, clinical utility, and limitations. Methods: A systematic review was conducted in accordance with PRISMA guidelines. Databases including PubMed, Scopus, Web of Science, and Cochrane Library were searched for studies published between 2018 and 2025. Eligible studies involved human subjects, applied AI to musculoskeletal radiographic imaging, and reported diagnostic outcomes. Data were extracted on study design, AI algorithms, sample size, outcomes, and performance metrics. Risk of bias was assessed using QUADAS-2 and Newcastle-Ottawa Scale tools based on study type. Results: Eight studies were included, encompassing diagnostic accuracy studies, narrative reviews, and one systematic review. AI models demonstrated high diagnostic performance, with AUC values ranging from 0.87 to >0.99, and strong correlation with expert radiologist interpretations. Applications included fracture detection, joint assessment, implant analysis, and TMJ osteoarthritis diagnosis. Variability in study designs and outcome reporting limited the feasibility of meta-analysis. Conclusion: AI demonstrates significant potential in improving the accuracy and efficiency of musculoskeletal radiographic interpretation. However, heterogeneity across studies and limited external validation underscore the need for further prospective, real-world research to support clinical integration and ensure generalizability.
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 | 0,017 | 0,091 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,011 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».