面向介入放射科医生的机器学习
Machine Learning for the Interventional Radiologist.
PubMed 文献 · AJR Am J Roentgenol · 2019-06-05
本文阐述机器学习在介入放射学中的关键潜在应用领域,指出尽管该领域内机器学习尚处早期发展阶段,但在图像分析、临床预测建模和受训者教育等方面具有巨大潜力。需要当前介入放射科医生和受训者主动参与,以塑造机器学习和人工智能的未来方向。
要点
- 机器学习在介入放射学中尚处早期发展阶段,但在图像分析、临床预测建模和受训者教育方面具有巨大潜力。
- 需要当前介入放射科医生和受训者采取主动参与的方式,以塑造机器学习和人工智能的未来方向。
核心结论
- 机器学习在介入放射学领域虽处早期发展阶段,但在图像分析、临床预测建模和受训者教育等关键领域具有巨大潜力。
- 需要当前介入放射科医生和受训者主动参与,以塑造机器学习和人工智能的未来方向。
研究设计与样本
- 本文为综述类文章,旨在描述机器学习在介入放射学中的关键潜在应用领域,原文未报告检索范围与纳入文献。
临床应用与阅片要点
- 作者指出需要当前介入放射科医生和受训者采取主动参与的方式,以塑造机器学习和人工智能的未来方向。
局限性
- 作者指出机器学习在介入放射学领域内尚处早期发展阶段。
以上解读依据论文摘要(全文未开放获取或许可不允许翻译转载)。
英文原文(摘要)· 点击展开
OBJECTIVE. The purpose of this article is to describe key potential areas of application of machine learning in interventional radiology. CONCLUSION. Machine learning, although in the early stages of development within the field of interventional radiology, has great potential to influence key areas such as image analysis, clinical predictive modeling, and trainee education. A proactive approach from current interventional radiologists and trainees is needed to shape future directions for machine learning and artificial intelligence.
来源:AJR Am J Roentgenol,查看原文。版权归原作者所有。
引用
- Meek RD, Lungren MP, Gichoya JW, et al. Machine Learning for the Interventional Radiologist. AJR Am J Roentgenol. 2019. PMID: 31166764. doi:10.2214/AJR.19.21527
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。