📄 Category

radiology and imaging

67 articles

La radiologie et l'imagerie médicale transforment notre capacité à voir l'intérieur du corps humain sans chirurgie, allant des rayons X classiques aux technologies d'IRM de pointe. Ce domaine est essentiel pour poser des diagnostics précis et guider les traitements, mais les recherches récentes y sont souvent techniques et difficiles d'accès pour le grand public.

Sur Gist.Science, nous sélectionnons chaque nouveau prépublication provenant de medRxiv dans ce secteur pour le rendre compréhensible. Notre équipe analyse ces études pour vous offrir à la fois un résumé technique détaillé et une explication en langage simple, vous permettant de saisir l'essentiel des avancées sans avoir besoin d'un diplôme en médecine.

Découvrez ci-dessous les toutes dernières publications traitées, où chaque article vous aide à mieux comprendre les innovations qui façonnent l'avenir du diagnostic médical.

📄 radiology and imaging

Quality versus quantity of training datasets for artificial intelligence-based whole liver segmentation

Cette étude démontre que, pour la segmentation du foie par intelligence artificielle, des ensembles de données soigneusement annotés mais plus petits peuvent atteindre des performances équivalentes à des ensembles beaucoup plus vastes mais moins rigoureux, bien que ces derniers offrent une meilleure généralisabilité, soulignant ainsi que le compromis entre qualité et quantité dépend des objectifs spécifiques du modèle.

Castelo, A., O'Connor, C., Gupta, A. C., Anderson, B. M., Woodland, M., Altaie, M., Koay, E. J., Odisio, B. C., Tang, T. (…)2026-02-18
📄 radiology and imaging

Intraoperative Metabolomic-Guided Precision Surgery for Pediatric Brain Tumors: A Systematic Review of Multi-Modal Molecular Imaging Platforms and Artificial Intelligence Integration

Cette revue systématique examine l'intégration de l'imagerie moléculaire peropératoire, du guidage par fluorescence et de l'intelligence artificielle dans la chirurgie des tumeurs cérébrales pédiatriques, mettant en évidence les progrès réalisés tout en identifiant des lacunes critiques nécessitant le développement de plateformes et de protocoles spécifiquement adaptés aux enfants.

Sirkin, N. J., Harper, T., Lamey, E., Wilhelm, J. N., Rought, G., Yerrapragada, A.2026-02-12
📄 radiology and imaging

Calibrated simulations for dynamic focusing of ultrasound through the temporal window

Cet article présente un cadre de calibration utilisant des projections axisymétriques et un échantillonnage parcimonieux pour optimiser les coefficients d'atténuation du crâne, améliorant ainsi la précision des simulations acoustiques et des évaluations de sécurité pour la neuromodulation par ultrasons focalisés dynamiques à travers la fenêtre temporale sur 157 sujets.

Dadgar-Kiani, E., Hebbale, V., Attalla, G., Alvarez, J. L., Dunsford, S., Caulfield, K. A., Good, C. H., Krystal, A. D. (…)2026-01-30
📄 radiology and imaging

A Hybrid CNN-Transformer Deep Learning Model for Differentiating Benign and Malignant Breast Tumors Using Multi-View Ultrasound Images

Cette étude présente un modèle robuste d'apprentissage profond hybride CNN-Transformer qui intègre efficacement des images échographiques multi-vues pour atteindre une précision supérieure dans la différenciation entre tumeurs mammaires bénignes et malignes par rapport aux méthodes conventionnelles d'analyse d'image unique.

qi, z., Li, R., Pan, T., Jianxing, Z., Yang, G., Lin, Z., Zhang, M., Miao, C.2026-01-29
📄 radiology and imaging

Foundation Model Robustness to Technical Acquisition Parameters in Chest X-Ray AI A Multi-Architecture Comparative Study with External Validation

Cette étude démontre que, bien que les modèles de fondation pour l'IA de radiographie thoracique présentent des degrés variables de robustesse aux paramètres d'acquisition tels que le type de vue, leurs avantages de performance sont souvent spécifiques aux ensembles de données et échouent à se généraliser lors de la validation externe, révélant que les biais techniques persistent indépendamment de l'architecture du modèle ou de l'échelle d'entraînement.

Farquhar, H.2026-01-27
📄 radiology and imaging

Advancing Brain Tumor Diagnosis Using Deep Learning: A Systematic Review on Glioma Segmentation and Classification on Multiparametric MRI

Cette revue systématique de 31 études de 2022 à 2025 démontre que les modèles d'apprentissage profond, particulièrement les architectures U-Net avancées pour la segmentation et les classificateurs basés sur les caractéristiques pour le diagnostic, atteignent une grande précision dans l'analyse des gliomes sur l'IRM multiparamétrique, bien que le domaine nécessite davantage d'IA explicable pour garantir la confiance et l'adoption cliniques.

Aresta, S., Palmirotta, C., Asim, M., Battista, P., Cava, C., Fiore, P., Santamato, A., Vitali, P., Castiglioni, I., D'A (…)2026-01-15