Awareness about the role of artificial intelligence in diagnostic radiology among medical students in Saudi Arabia: a crosssectional study
Notice bibliographique
Résumé
Background: Artificial Intelligence (AI) is revolutionizing radiology practice by supporting diagnostic accuracy and efficiency, yet many radiologists have not integrated it into their daily workflows. However, literature on radiology AI knowledge and perceptions among medical students is limited, both globally and within Saudi Arabia. Objectives: This study evaluates the extent of knowledge and understanding of AI applications in radiology among medical students from various universities in Saudi Arabia. Methodology: We conducted a cross-sectional study involving 351 medical students from different universities in Saudi Arabia. The online questionnaire included demographic characteristics and questions regarding awareness of AI applications in radiology, as well as preferred learning methods. Descriptive statistics were used for basic understanding, and the chi-square test was employed to assess associations between demographic characteristics and awareness of AI. Results: The survey revealed that 66.9% of participants had some level of awareness regarding AI in radiology, whereas 33.1% had little or no knowledge of it. The presence of a dedicated radiology module in the curriculum was significantly associated with higher awareness of AI applications (p < 0.001). The preferred learning methods included lectures (47.3%), workshops (43.0%), and extracurricular activities (35.3%). A total of 59.3% of students agreed or strongly agreed that AI should be included in the medical curriculum; however, only a quarter felt they had adequate opportunities to learn about it. Conclusion: There is a high level of awareness of AI among medical students in Saudi Arabia, but this does not equate to comprehensive education on all aspects of AI use in radiology. The results highlight a lack of formalized AI training in medical schools, suggesting the need for its integration into the curriculum to prepare future physicians who will increasingly rely on this technology in their practice. A collaborative focus on both the technical and ethical aspects of AI is necessary as we continue to explore this issue.
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 | 0,011 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».