Artificial intelligence in hematology
Notice bibliographique
Résumé
ABSTRACT: Artificial intelligence (AI) and its subdiscipline, machine learning (ML), have the potential to revolutionize health care, including hematology. The diagnosis and treatment of hematologic disorders depend on the integration of diverse data sources, such as imaging, pathology, omics, and laboratory parameters. The increasing volume and complexity of patient data have made clinical decision-making more challenging. AI/ML hold significant potential for enhancing diagnostic accuracy, risk stratification, and treatment response prediction through advanced modeling techniques. Generative AI, a recent advancement within the broader field of AI, is poised to have a profound impact on health care and hematology. Generative AI can enhance the development of novel therapeutic strategies, improve diagnostic workflows by generating high-fidelity images or pathology reports, and facilitate more personalized approaches to patient management. Its ability to augment clinical decision-making and streamline research represents a significant leap forward in the field. However, despite this potential, few AI/ML tools have been fully implemented in clinical practice due to challenges related to data quality, equity, advanced infrastructure, and the establishment of robust evaluation metrics. Despite its promise, AI implementation in hematology faces critical challenges, including bias, data quality issues, and a lack of regulatory frameworks and safety standards that keep pace with rapid technological advancements. In this review, we provide an overview of the current state of AI/ML in hematology as of 2025, identify existing gaps, and offer insights into future developments.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».