Machine learning: from radiomics to discovery and routine.
Machine learning: from radiomics to discovery and routine.
复制标题
DOI：
10.1007/s00117-018-0407-3
复制
发表时间：
2018-11
期刊：
影响因子：
--
通讯作者：
Prosch H
中科院分区：
文献类型：
--
作者：
Langs G;Röhrich S;Hofmanninger J;Prayer F;Pan J;Herold C;Prosch H
机器学习在放射学中正迅速变得越来越重要。它允许利用成像数据和患者记录中的模式，以获得更准确和精确的量化、诊断和预后。在这里，我们概述了与放射学相关的机器学习的基本知识，并回顾了这些技术成为精确医学的重要组成部分时的现状、局限性和面临的挑战。此外，我们讨论了机器学习在临床常规和研究中的作用，并预测了它可能如何改变放射学领域。
Machine learning is rapidly gaining importance in radiology. It allows for the exploitation of patterns in imaging data and in patient records for a more accurate and precise quantification, diagnosis, and prognosis. Here, we outline the basics of machine learning relevant for radiology, and review the current state of the art, the limitations, and the challenges faced as these techniques become an important building block of precision medicine. Furthermore, we discuss the roles machine learning can play in clinical routine and research and predict how it might change the field of radiology.
登录
查看更多内容
影响因子：
10
作者：
Ostridge, Kristoffer;Williams, Nicholas;Wilkinson, Tom M. A.
通讯作者：
Wilkinson, Tom M. A.
影响因子：
3.7
作者：
Takasu M;Yamagami T;Nakamura Y;Komoto D;Kaichi Y;Tani C;Date S;Kiguchi M;Awai K
通讯作者：
Awai K
影响因子：
5
作者：
Rubin, Daniel L.;Willrett, Debra;Moreira, Dilvan A.
通讯作者：
Moreira, Dilvan A.
影响因子：
19.7
作者：
Watadani, Takeyuki;Sakai, Fumikazu;Sugiyama, Yukihiko
通讯作者：
Sugiyama, Yukihiko
影响因子：
3.3
作者：
Bartholmai, Brian J.;Raghunath, Sushravya;Robb, Richard A.
通讯作者：
Robb, Richard A.