解码放射学:一个逐步指南机器学习工作流程在手工制作和深度学习放射学研究
Maurizio Cè1, Marius Dumitru Chiriac2, Andrea Cozzi3
1Postgraduation School in Radiodiagnostics, Università degli Studi di Milano, Via Festa del Perdono 7, 20122 Milan, Italy.
Diagnostics (Basel, Switzerland)
|November 27, 2024
概括
放射学研究显示出有希望的结果,但由于方法问题,在临床应用中面临挑战. 本综述指导放射学家使用METRICS工具评估放射学研究质量,以获得更好的临床影响.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 放射学研究迅速扩大,从医学图像 (CT,PET,MRI) 中提取诊断和预后数据.
- 放射学研究成果与其临床实施之间存在很大的差距,主要是由于方法上的挑战.
- 放射科医生需要基础知识来评估放射学工作流程,并在临床上具有影响力的模型上进行合作.
研究的目的:
- 为放射学家提供放射学研究管道的系统指南.
- 引入并详细应用METhodological RadiomICs Score (METRICS,2024) 来评估放射学研究的质量.
- 支持研究人员和审稿人评估放射学研究的稳定性,并促进临床翻译.
主要方法:
- 对放射学研究管道的系统审查,涵盖设计,预处理,特征选择和模型验证.
- 应用METRICS (2024) 工具进行质量评估的步骤指南.
- 专注于没有专门的机器学习专业知识的放射科医生的基础知识.
主要成果:
- 该审查概述了一个全面的放射学工作流程,从研究设计到绩效评估.
- 介绍METRICS工具作为一种结构化的方法来评估放射学研究的质量和稳定性.
- 这篇论文强调了临床翻译方法论严谨的重要性.
结论:
- 有效评估放射学研究质量对于弥合研究和临床实践之间的差距至关重要.
- METRICS工具提供了一种标准化的方法来评估放射学研究质量.
- 该指南使放射科医生能够批判性地评估放射学研究,并为开发可靠的临床工具做出贡献.
