Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Computed Tomography01:10

Computed Tomography

Tomography refers to imaging by sections. Computed tomography (CT) is a non-invasive imaging technique that uses computers to analyze several cross-sectional X-rays to reveal minute details about structures in the body.
The technique was invented in the 1970s and is based on the principle that as X-rays pass through the body, they are absorbed or reflected at different levels. In the technique, a patient lies on a motorized platform while a computerized axial tomography (CAT) scanner rotates...
Imaging Studies III: Computed Tomography01:27

Imaging Studies III: Computed Tomography

DefinitionComputed Tomography (CT) of the genitourinary (GU) tract is a non-invasive imaging modality that utilizes X-rays and computer processing to generate detailed cross-sectional images of the urinary system, encompassing the kidneys, ureters, bladder, and adjacent structures such as the adrenal glands.PurposeCT scans of the GU tract serve several diagnostic and therapeutic purposes, including:Diagnosis of Urinary Tract Diseases: Detects kidney stones, tumors, cysts, and congenital...

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Temporal Dynamics of Parkinson's Disease Tremor: Clinical and Neuroimaging Insights.

Movement disorders : official journal of the Movement Disorder Society·2026
Same author

Artificial Intelligence Competencies and Educational Needs Among ERNICA Members: Results of a Multinational Survey.

European journal of pediatric surgery : official journal of Austrian Association of Pediatric Surgery ... [et al] = Zeitschrift fur Kinderchirurgie·2026
Same author

Predicting biological sex in pediatric skeleton X-rays using artificial intelligence.

Scientific reports·2025
Same author

Artificial Intelligence in Pediatric Surgery-From Vision to Clinical Reality.

European journal of pediatric surgery : official journal of Austrian Association of Pediatric Surgery ... [et al] = Zeitschrift fur Kinderchirurgie·2025
Same author

Automated AI fracture detection in initial presentation pediatric wrist X-rays: effects and benefits of adding follow-up examinations.

La Radiologia medica·2025
Same author

Artificial intelligence based sonographic differentiation between skull fractures and normal sutures in young children.

Scientific reports·2025

Video Experimental Relacionado

Updated: Jun 28, 2026

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
07:15

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Published on: August 16, 2020

5.8K

Impacto de la Composición del Conjunto de Pruebas en el Rendimiento de la IA para la Detección de Fracturas del

Nikolaus Stranger1, Mario Scherkl1, Daniel Stütz1

  • 1Division of Pediatric Radiology, Department of Radiology, Medical University of Graz, Graz, Austria.

Radiology
|February 17, 2026
PubMed
Resumen

La composición del conjunto de pruebas afecta significativamente el rendimiento de la inteligencia artificial (IA) en la detección de fracturas pediátricas. Las radiografías complejas en los conjuntos de pruebas disminuyen la precisión de la IA, lo que resalta la necesidad de conjuntos de datos de evaluación realistas.

Palabras clave:
inteligencia artificialradiografía pediátricadetección de fracturasrendimiento de la IAcomposición del conjunto de pruebascomplejidad de la imagenestudios retrospectivosaprendizaje automático

Más Videos Relacionados

Assessment of Bone Fracture Healing Using Micro-Computed Tomography
12:04

Assessment of Bone Fracture Healing Using Micro-Computed Tomography

Published on: December 9, 2022

2.5K
Automated Joint Space Detection Improves Bone Segmentation Accuracy
06:45

Automated Joint Space Detection Improves Bone Segmentation Accuracy

Published on: November 28, 2025

373

Videos de Experimentos Relacionados

Last Updated: Jun 28, 2026

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
07:15

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Published on: August 16, 2020

5.8K
Assessment of Bone Fracture Healing Using Micro-Computed Tomography
12:04

Assessment of Bone Fracture Healing Using Micro-Computed Tomography

Published on: December 9, 2022

2.5K
Automated Joint Space Detection Improves Bone Segmentation Accuracy
06:45

Automated Joint Space Detection Improves Bone Segmentation Accuracy

Published on: November 28, 2025

373

Área de la Ciencia:

  • Imágenes Médicas; Inteligencia Artificial; Radiología Pediátrica

Sus antecedentes:

  • La evaluación del rendimiento de la IA a menudo utiliza conjuntos de pruebas que no reflejan los escenarios del mundo real, lo que puede sobreestimar la precisión.
  • Esto puede limitar la usabilidad clínica de las herramientas de IA para la detección de fracturas.

Objetivo del estudio:

  • Evaluar cómo las diferentes composiciones de los conjuntos de pruebas afectan el rendimiento de los modelos de IA para la detección de fracturas pediátricas en radiografía.
  • Investigar la influencia de la complejidad de la radiografía en las capacidades de diagnóstico de la IA.

Principales métodos:

  • Análisis retrospectivo de radiografías de trauma apendicular pediátrico.
  • Se crearon dos conjuntos de pruebas internos: un conjunto 'difícil' con discrepancias en la evaluación y un conjunto 'coincidente'.
  • Los modelos de IA (EfficientNet, YOLOv8) fueron evaluados en estos conjuntos de pruebas por radiólogos independientes.

Principales resultados:

  • El conjunto de pruebas 'difícil' mostró una disminución del 40% en las probabilidades de clasificación correcta para EfficientNet y una disminución del 80% para YOLOv8 en comparación con el conjunto 'coincidente'.
  • Las radiografías en el conjunto 'difícil' fueron calificadas como más desafiantes y contenían imágenes más complejas.
  • El rendimiento de la IA fue significativamente menor en los conjuntos de pruebas con radiografías más complejas (P < .001).

Conclusiones:

  • El rendimiento de la IA en la detección de fracturas pediátricas es sensible a la composición del conjunto de pruebas y a la complejidad de la imagen.
  • Es crucial utilizar conjuntos de pruebas que reflejen la complejidad del mundo real para una evaluación precisa del rendimiento de la IA y su adopción clínica.