Mapa literatury

Warstwa intelektualna i nawigacyjna nałożona na literaturę. Zotero pozostaje kanonicznym magazynem plików PDF i bibliografii; ta mapa pozwala przejść do dowolnego tematu i już teraz czytać ze zrozumieniem — źródło dzieli od niej jedno kliknięcie. Nie narzuca programu nauki ani ogólnego limitu lektur.

Role poszczególnych pozycji: Podstawa · Warto przeczytać · Zgłęb temat · Obserwuj · Historyczna. Numery PMID i DOI zweryfikowano 2026-08-10 (zbiór pierwotny) oraz 2026-08-22 (zbiór rozszerzający radiomikę), chyba że pozycję oznaczono jako UNVERIFIED; przy każdej wskazano, czy jest publikacją recenzowaną, czy preprintem. Żadne twierdzenie naukowe w rozdziałach nie zależy od pozycji oznaczonej jako UNVERIFIED.

---

CT i DICOM (rozdz. 1–2) — narzędzia i standardy (bez artykułów)

• DICOM Standard — dicom.nema.org/standard.html · Innolitics browser — dicom.innolitics.com · pydicom — pydicom.github.io · DICOM is Easy — dicomiseasy.blogspot.com. Narzędzia referencyjne — korzystaj w razie potrzeby.

Geometria / SEG / zmiana próbkowania (rozdz. 2)

• SimpleITK fundamentals — simpleitk.org (przeczytaj stronę “fundamental concepts”) — Podstawowe narzędzie. · dcmqi / highdicom — kodowanie i dekodowanie SEG — Zgłęb temat.

3D Slicer (materiał uzupełniający + rozdz. 2–3)

• Jan Witowski — 3D Slicer Tutorial (playlista 11 filmów) — YouTube playlist — Kurs podstawowy (zob. learning/companion-3d-slicer.md).
• 3D Slicer Training Compendium — training.slicer.org — Podstawa (oficjalne samouczki + dane).
• Rozszerzenie SlicerRadiomics — Warto przeczytać (interaktywna radiomika).

Obrazowanie ilościowe i radiomika (rozdz. 3)

• IBSI 1 — Zwanenburg et al., Radiology 2020;295(2):328-338 — PMID 32154773 / doi — Podstawa (definicje cech + wartości referencyjne).
• IBSI 2 — Whybra et al., Radiology 2024 — doi — Podstawa (standaryzowane filtry LoG/wavelet/Riesz).
• PyRadiomics — pyradiomics.readthedocs.io (cechy: pyradiomics.readthedocs.io/en/latest/features.html) — Podstawowe narzędzie (w stylu IBSI, z udokumentowanymi odstępstwami).
• QIBA (RSNA) — rsna.org/QIBA · Profiles qibawiki.rsna.org — Podstawowe ramy (Claims dotyczące obciążenia pomiaru i powtarzalności).
• CLEAR — Kocak et al., Insights Imaging 2023;14:75 — PMID 37142815 / doi — Podstawa (ocena krytyczna) (58-elementowa lista kontrolna dla radiomiki; +CLEAR-E3, METRICS).
• PySERA — Salmanpour et al., Comput Methods Programs Biomed 2026:109463 — PMID 42235274 — Warto przeczytać (narzędzie) (557 cech, w tym 487 zgodnych z IBSI; odtwarzalność względem wartości referencyjnych IBSI >94%, wyniki zbliżone do MITK; uwzględniono osadzenia DL; porównanie narzędzi opatrzone zastrzeżeniami autorów — abstrakt recenzowanej publikacji i autorską wersję zaakceptowanego manuskryptu sprawdzono 2026-08-22; wartości dokładności dla zbioru danych różnią się między abstraktami preprintu i artykułu, dlatego nie są cytowane).
• Filtrowanie według odporności ↔ użyteczność predykcyjna (niejednoznaczne dowody; lekcja 06 w rozdz. 3) — kompromis związany z odpornością na segmentację w GBM: arXiv:2607.23626 (preprint, sprawdzono pełny tekst — 4,752 cech, 48.1% odpornych przy ICC ≥ 0.85, brak wykrywalnej korzyści z filtrowania, cechy wybrane przez model mniej odporne; jedna retrospektywna kohorta, bez walidacji zewnętrznej) · rzetelność między oceniającymi + przeżycie: Müller-Franzes G et al., Diagnostics 2022;12(2):247 — PMID 35204338 / doi (publikacja recenzowana, sprawdzono pełny tekst — niewielkie korzyści: C-index 0.58 vs 0.56 dla CT, nieistotne statystycznie dla MRI) · filtrowanie według stabilności poprawiło predykcję IDH przy różnych schematach segmentacji: AJNR 2026 — ajnr.A9229 (publikacja recenzowana, sprawdzono abstrakt).

Kontrole negatywne / zakłócenie związane z objętością (falsyfikacja w rozdz. 3)

• Welch et al. — “Vulnerabilities of radiomic signature development: the need for safeguards,” Radiother Oncol 2019;130:2-9 — PMID 30416044 / doi — Podstawa (publikacja recenzowana; odtworzenie sygnatury typu Aerts z randomizacją wokseli: c-index 0.64 dla danych rzeczywistych = 0.64/0.60 dla danych randomizowanych = 0.64 tylko dla objętości; trzy z czterech cech skorelowane z objętością).
• READII-2-ROQC — “Negative controls reveal volume-driven confounding in radiomics and imaging foundation model features,” arXiv:2607.28423 (2026) — Obserwuj (preprint; 9 konfiguracji kontroli zachowujących objętość dla 3,552 guzów; sygnatura Aerts stabilna we wszystkich kontrolach; cechy FMCIB częściowo zależne od tła; framework open source github.com/bhklab/readii_2_roqc; pełny tekst sprawdzono 2026-08-22).
• Aerts et al. — pierwotna sygnatura czterech cech, Nat Commun 2014;5:4006 — doi — Kontekst historyczny/podstawowy (czytaj razem z Welch: pierwotna praca raportuje przewagę sygnatury nad objętością; późniejsze kontrole wskazują, że zachowanie przy pierwotnych definicjach jest w dużej mierze zależne od objętości — rozbieżność zachowano, a nie rozstrzygnięto po cichu).
• Hatt et al. — “Radiomics: Data Are Also Images,” J Nucl Med 2019;60(Suppl 2):40S-44S — doi — Warto przeczytać (zakłócenie związane z objętością/SUV; zmiany definicji mogą przywrócić wartość uzupełniającą; praca skoncentrowana na PET).
• Ger et al. — PLOS ONE 2019;14(9):e0222509 — doi — Zgłęb temat (objętość+HPV przewyższyły modele rozszerzone o radiomikę w H&N; podzbiór z kontrolowanym protokołem). · Fave et al. — Transl Cancer Res 2016;5(4):349-363 — doi — Zgłęb temat (przetwarzanie wstępne zmienia zależność między cechami a objętością).

Definicja obszaru (rozdz. 3: obszar wewnątrz guza / okołoguzowy / wieloobszarowy)

• Chen, Xu & He — Ki-67 w NSCLC T1, najlepszy okazał się guz + obszar okołoguzowy 3 mm, J Thorac Dis 2026;18(2):67 — doi — Warto przeczytać (badanie wieloośrodkowe, opisane według TRIPOD; sprawdzono pełny tekst).
• Frontiers Oncol 2025 — obszar wewnątrz guza/okołoguzowy (3/6/9 mm) + 3D DL dla OS w NSCLC — doi — Warto przeczytać (wybrano 6 mm — porównaj z 3 mm u Chen: „optymalne” szerokości pierścienia są swoiste dla badania).
• BMC Cancer 2025 — odpowiedź na leczenie indukcyjne, poszerzenie o 3 mm minus guz z wyłączeniem ściany klatki piersiowej i kręgów — doi — Zgłęb temat (anatomiczne przycięcie pierścienia jako część pomiaru).
• Radiomika wieloobszarowa / obszarów dawki — nie ma jeszcze w pełni zweryfikowanego źródła podstawowego; najlepiej dopasowana pozycja (wieloobszarowy model popromiennego zapalenia płuc, deklarowana walidacja zewnętrzna) nie została jeszcze zweryfikowana na podstawie pełnego tekstu — zob. pozycja 2 w kolejce do weryfikacji. Pojęcie przedstawiono bez twierdzeń na poziomie badania w lekcji 15 rozdz. 3.

Radiomika delta / longitudinalna (rozdz. 3)

• De Robertis et al. — prospektywne badanie delta NALIRIFOX w PDAC, Transl Oncol 2026 — doi — Warto przeczytać (107→55; filtrowanie ICC≥0.90; bootstrap; AUC dla delta 0.85 vs 0.76/0.82; Δ-objętość była najsilniejszym predyktorem — lekcja o drabinie ma zastosowanie do zmian delta; sprawdzono pełny tekst w otwartym dostępie).
• Wang et al. — radiomika delta w PDAC z walidacją zewnętrzną, Ann Surg Oncol 2024;31:2608-2620 — PMID 38151623 / doi — Warto przeczytać (zbiór odkrywczy + walidacja zewnętrzna; najlepszy model łączył dane kliniczne z delta; C-index dla zewnętrznego OS ≈0.66).
• Duan et al. — obrazowanie ilościowe CT w PDAC po leczeniu neoadiuwantowym (przegląd narracyjny), Gland Surg 2026;15:201 — PMID 42591759 / doi — Warto przeczytać (cechy delta jako dowody na poziomie wstępnym; wymagania dotyczące porównywalności/rejestracji/stabilności).

Obrazowanie oportunistyczne / przeddiagnostyczne (rodziny pytań z rozdz. 3)

• Korfiatis et al. — wykrywanie za pomocą AI niewidocznego wzrokowo PDA w przeddiagnostycznym CT, Gastroenterology 2023 — PMID 37657758 — Warto przeczytać (sprawdzono abstrakt; czułość 0.75 przy medianie wyprzedzenia 475 dni; nadal potrzebna walidacja prospektywna).
• ePAI — wczesne/przeddiagnostyczne wykrywanie PDAC na podstawie CT, arXiv:2601.22134 — Obserwuj (preprint; wykryto 75/159 pacjentów przed rozpoznaniem, mediana wyprzedzenia 347 dni; porównanie wielu oceniających z udziałem 30 radiologów; zewnętrzny test w 6 ośrodkach).
• Przykład fenotypu składu ciała (już zweryfikowany): Ziegelmayer et al., Lancet Reg Health Eur 2025 — zob. część EuSoMII poniżej.

Uczenie statystyczne i walidacja (rozdz. 4)

• Tran et al. — DL do wykrywania zerwania ACL w MRI kolana, wielokontynentalna walidacja zewnętrzna, Eur Radiol 2022;32(12):8394-8403 — PMID 35726103 / doi — Podstawa (przykład rozwiązany krok po kroku w rozdz. 7). Wniosek z pełnego tekstu: główne wartości zewnętrznego AUC podane w abstrakcie (0.962/0.922) dotyczą modeli ponownie wytrenowanych/dostrojonych; wartości AUC dla zamrożonego modelu przeniesionego między zbiorami wynoszą 0.941/0.860, a progi ponownie estymowano dla każdego zbioru danych — zatem „walidacja zewnętrzna” ≠ „zamrożony model zachowuje wyniki po przeniesieniu”.
• PROBAST+AI — Moons et al., BMJ 2025;388:e082505 — doi — Podstawowe ramy (ryzyko błędu systematycznego w badaniach modeli predykcyjnych).
• TRIPOD+AI — Collins et al. 2024 — tripod-statement.org — Podstawowe ramy (raportowanie modeli predykcyjnych).
• ISLP / StanfordOnline Statistical Learning with Python — Kurs podstawowy (rozdz. 4 jest uzupełnieniem poświęconym obrazowaniu).

Informatyka obrazowania (rozdz. 5)

• IHE Radiology TF + AI profiles — profiles.ihe.net — AIW-I (PDF, Rev 1.1 TI 2020), AIR (PDF, Rev 1.3 TI 2025), AIRA (AI Result Assessment for Imaging, TI 2025 cycle) — wszystkie ze statusem Trial Implementation.
• DICOMweb (PS3.18) — QIDO/WADO/STOW/UPS — Materiał referencyjny. · pynetdicom — github.com/pydicom/pynetdicom — Zgłęb temat. · HL7/FHIR — hl7.org/fhir — Materiał referencyjny (pomost).

AI w obrazowaniu medycznym (rozdz. 6)

• TotalSegmentator CT — Wasserthal et al., Radiol AI 2023;5(5):e230024 — PMID 37795137 / doi — Podstawa (operacyjne narzędzie do segmentacji; zbudowane na nnU-Net).
• TotalSegmentator MRI — Akinci D’Antonoli et al., Radiology 2025;314(2):e241613 — PMID 39964271 / doi — Warto przeczytać (zachowanie segmentacji w MRI).
• MRSegmentator (whole-body MRI/CT) — Häntze et al., Radiol Artif Intell 2025;7(6):e240777 — PMID 40767616 / doi — Warto przeczytać (międzymodalna segmentacja 40 struktur; testy zewnętrzne na NAKO/AMOS/TotalSeg-MRI).
• nnU-Net — Isensee et al. (MICCAI 2021) — Zgłęb temat (samokonfigurujący się model odniesienia).
• MONAI — monai.io — Warto przeczytać (narzędzie/framework).
• CLAIM 2024 — Tejani et al., Radiol AI 2024;6(4):e240300 — doi — Podstawowe ramy (badania modeli AI w obrazowaniu; nie radiomika).
• Merlin — bazowy model VLM dla CT, Nature 2026 — PMID 41781626 / doi (preprint PMID 38978576) — Warto przeczytać (3D VLM; ocena modelu bazowego na dużą skalę).
• a2z-1 — Rajpurkar et al. — arXiv:2412.12629 — Warto przeczytać (preprint; uniwersalny model dla CT jamy brzusznej/miednicy, solidna walidacja zewnętrzna).
• OmniMRI — He et al. — arXiv:2508.17524 — Obserwuj (preprint; ujednolicony VLM dla MRI: rekonstrukcja/segmentacja/wykrywanie/rozpoznanie/raportowanie).
• Przeglądy modeli bazowych — Akinci D’Antonoli et al., Diagn Interv Radiol 2026;32(3):259-272 — PMID 40626693 / doi — Warto przeczytać (podstawy/zastosowania/ryzyka; pozycja odrębna od Paschali). · Paschali et al., Radiology 2025;314(2):e240597 — PMID 39903075 / doi — Warto przeczytać (orientacja „co/jak/dlaczego/dlaczego nie”).
• GRAI (generalist radiology AI) — Dogra et al., Radiology 2025;316(3) — doi — Obserwuj (przegląd/perspektywa proponująca GRAI; ujęcie finansowe/operacyjne/kliniczne).
• Wybór protokołu przez GPT-4 — Gertz et al., Radiology 2023;307(5):e230877 — PMID 37310247 / doi — Obserwuj (wykonalność wyznaczania badania/protokołu przez LLM na podstawie skierowań; zadanie routingu protokołów).

Porównanie reprezentacji: cechy wyznaczane ręcznie a cechy wyuczone (rozdz. 6)

• Porównanie modeli bazowych z radiomiką — Neukirch, Maurer & Strodthoff, arXiv:2607.01001 (2026) — Warto przeczytać (preprint; ekstraktory × głowice klasyfikatora × schematy segmentacji, LUNG1→LUNG2, najgorsza wartość metryki między kohortami; przewaga zależna od zadania; radiomika konkurencyjna w analizie przeżycia; wskazano artefakt wynikający ze sposobu wyznaczenia etykiet; pełny tekst sprawdzono 2026-08-22).
• Wieloskładnikowy model VPI — Insights Imaging 2026;17:194 — PMID 42498861 / doi — Warto przeczytać (radiomika vs ViT vs model łączony; model łączony najlepszy tylko w zbiorze treningowym — zewnętrznie 0.844/0.823/0.816; model łączony wygrywa pod względem czułości, nie AUC; sprawdzono pełny tekst + suplement).
• Upadhaya et al. — foundational AI vs radiomics vs clinical on RTOG 0617, Br J Radiol Open 2023 — doi — Warto przeczytać (AUC w przybliżeniu równe; połączenie trzech podejść bez korzyści).
• Li et al. — cechy wyznaczane ręcznie + cechy DL w trzech ROI płuca (popromienne zapalenie płuc), Radiat Oncol 2026 — doi — Zgłęb temat (interakcja obszar × reprezentacja; model hybrydowy najlepszy wewnętrznie, 0.828 zewnętrznie).
• “Big, Bright, or Invisible” — porównanie zamrożonych koderów 3D CT, arXiv:2608.05960 — Obserwuj (preprint; brak uniwersalnego SOTA; wykrywalność skaluje się z kontrastem × rozmiarem przestrzennym — fizyczne wąskie gardło zagregowanych osadzeń).

Obrazowanie syntetyczne (część E rozdz. 6; część D rozdz. 8) — zweryfikowany reprezentatywny zbiór

• MR→synthetic CT (review) — Spadea et al., “Deep learning based synthetic-CT generation in radiotherapy and PET: A review,” Med Phys 2021;48(11):6537-6566 — PMID 34407209 / doi — Warto przeczytać (rodzina problemów B: MR→CT na potrzeby gęstości elektronowej/dawki; kontekst kliniczny).
• Rekonstrukcja / odszumianie — Sim et al. (rekonstrukcja DL MRI barku), Cureus 2025;17(10):e94561 — PMID 41246632 / doi — Warto przeczytać (problem C; bark, nie łokieć). · Park et al. (odszumianie DL CT odcinka lędźwiowego), Eur Radiol 2025;35(12):7867-7876 — PMID 40483292 / doi — Warto przeczytać (problem C). · Faster Elbow MRI DL recon — Herrmann et al., Diagnostics 2023;13(17):2747 — PMID 37685285 / doi — Warto przeczytać (pozycja odrębna od PMID 41246632).
• Choi et al. — syntetyczne CT klatki piersiowej ze wzmocnieniem kontrastowym wygenerowane na podstawie CT bez kontrastu (GAN, badanie obserwatorów, wyłącznie wewnętrzne), Sci Rep 2021;11:20403 — doi — Warto przeczytać (struktura wzorca rygorystycznej oceny; pełny tekst sprawdzono 2026-08-22).
• Ocena ukierunkowana na zadanie (realizm percepcyjny jest niewystarczający) — “RaD: A Metric for Medical Image Distribution Comparison,” arXiv:2412.01496 — Warto przeczytać (preprint; problem D — pokazuje, że metryki percepcyjne dla wyników pośrednich, takie jak FID, nie odzwierciedlają skuteczności segmentacji na dalszym etapie; translacja T1/T2 MRI).
• Nierozstrzygnięty przykład z wykładu — nie udało się wiarygodnie zidentyfikować konkretnej pracy z webinaru dotyczącej syntezy sekwencji T2→T1/STIR; nie należy utożsamiać jej z inną publikacją. Rodzinę metod (translację między sekwencjami) reprezentują powyższe: przegląd MR→CT i praca RaD.

Wdrożenie kliniczne / cykl życia (rozdz. 9)

• Herpe et al. — wsparcie AI w interpretacji MRI kolana przez radiologa, Eur Radiol 2026;36(2):1294-1305 — PMID 40745051 / doi — Warto przeczytać (przykład badania oceniających w rozdz. 9; poziom abstraktu). Wniosek dydaktyczny: 6 oceniających × 165 przypadków, AI wytrenowano na osobnym zbiorze 23 tys. badań, referencją był konsensus; AI poprawiła dokładność i zgodność między oceniającymi (κ 0.54→0.78) — jest to retrospektywna demonstracja pracy oceniającego z AI, a nie dowód z wdrożenia.
• Yang et al. — wsparcie AI w raportowaniu MRI odcinka lędźwiowego kręgosłupa, Eur J Radiol 2024;179:111636 — PMID 39133990 / doi — Obserwuj (informatyka raportowania/przepływu pracy).
• Song et al. — “Determinants of Reader-LLM Interaction in Thoracic Radiology: Impact of Model Confidence and Reader Expertise,” Radiology 2026;320(2):e253397 — doi — Warto przeczytać (10 oceniających × 100 przypadków, GPT-5/GPT-4o; jakość uzasadnienia działa obosiecznie, doświadczenie chroni przed błędem — sprawdzono wyłącznie abstrakt czasopisma; pełny tekst jest za paywallem i oczekuje na sprawdzenie; wielkości efektów celowo nie są przytaczane w lekcjach).
• RCT formatu wyjaśnień LLM — “The effect of medical explanations from large language models on diagnostic accuracy in radiology,” npj Digit Med 2026 — PMID 42026140 — Warto przeczytać (2,020 ocen; chain-of-thought +12.2% dokładności; przy błędzie LLM format rozpoznania różnicowego powodował stosowanie się do odpowiedzi nawet w 80% przypadków; pełny tekst sprawdzono 2026-08-22).
• “Care to Explain?” — lokalne vs globalne wyjaśnienia AI, radiogramy klatki piersiowej, Radiology 2024 — PMID 39560483 — Zgłęb temat (lokalne wyjaśnienia zwiększały „prostą ufność” niezależnie od poprawności porady; wieloośrodkowe badanie randomizowane).
• ReCo (agentowy framework/MCP; Orthanc+Merlin+TotalSegmentator+DosimeTron) — Tzanis & Klontzas — medRxiv 2026.07.14.26358025 / github.com/eltzanis/ReCo — Obserwuj (preprint; ryzyko kumulacji błędów i ryzyka związane ze śledzeniem pochodzenia).

Metodologia badań (rozdz. 7)

• CLAIM 2024 (powyżej) · TRIPOD+AI (powyżej) · PROBAST+AI (powyżej) · CLEAR (powyżej) · IBSI 1/2 (powyżej) — wybierz zależnie od rodzaju badania (tabela w rozdz. 7).
• Tran et al. (powyżej) — materiał do analizy krok po kroku.

EuSoMII 2026 MSK / webinar — historia i obraz dziedziny

• Ziegelmayer et al. — IMAT/beztłuszczowa tkanka mięśniowa w MRI w przewlekłym bólu pleców, Lancet Reg Health Eur 2025;54:101323 — PMID 40487774 / doi — Warto przeczytać (łańcuch segmentacja→pomiar→fenotyp→pytanie kliniczne).
• Ruitenbeek et al. — AI w obrazowaniu MSK: realistyczne zastosowania, Skeletal Radiol 2024;53(9):1849-1868 — PMID 38902420 / doi — Warto przeczytać (około 1 godz. na mapę dziedziny).
• Guermazi et al. — Radiology 2024;310(1):e230764 — PMID 38165245 (erratum PMID 38289220) — Historyczna (rozwój AI w MSK; częściowo zastąpiona nowszymi pracami).
• Fritz & Fritz — Skeletal Radiol 2022;51(2):315-329 — PMID 34467424 · Gorelik et al. — Semin Musculoskelet Radiol 2020;24(1):38-49 — PMID 31991451 — Historyczne (starsze przeglądy zakresowe/narracyjne).

Nierozstrzygnięte

• Pozycja z webinaru “Segmenting Whole-Body MRI and CT” — rozstrzygnięta jako MRSegmentator (Häntze et al., PMID 40767616, powyżej).

Kolejka do weryfikacji — rozszerzenie radiomiki (2026-08-22)

Tropów z Daily-Briefing nie udało się jeszcze zweryfikować zgodnie ze standardem .kilo/rules/10-evidence-and-sources.md. Nie zależy od nich żaden rozdział przeznaczony dla uczącego się. Nieudaną weryfikację zachowano zgodnie ze stanem faktycznym; sprawdź ponownie przed przeniesieniem dowolnej pozycji do części tematycznej powyżej.

1. Registration-guided GAN for virtual contrast-enhanced CT — briefing z 2026-08-22 opisywał pracę z Radiology: Cardiothoracic Imaging (opublikowaną około 2026-08-20): GAN prowadzony rejestracją, CT bez kontrastu → wirtualne CT ze wzmocnieniem kontrastowym, testy wewnętrzne + zewnętrzne, element oceny wyników oceniających. Stan: nie znaleziono — ukierunkowane wyszukiwania (czasopismo + “registration” + GAN + virtual contrast + reader, sierpień 2026) ujawniły prace pokrewne (Choi Sci Rep 2021; GCTANet, IEEE Access 2025; SC-BBDM diffusion bridge, arXiv:2508.16897; CycleGAN cardiac, BMC MIDM 2026), lecz żadna nie odpowiadała czasopismu i projektowi badania. Nadal do sprawdzenia: spis treści czasopisma / wykaz publikacji online ahead of print w Radiol Cardiothorac Imaging około 2026-08-20; dokładny mechanizm prowadzenia przez rejestrację; czy badanie czytelników dotyczyło skuteczności diagnostycznej, czy wyłącznie realizmu. Wspiera: lekcję 6 w rozdz. 6 (ramka ze wzorcem rozwiązanym krok po kroku jest obecnie oparta na zweryfikowanej pracy Choi 2021).
2. Multi-institutional NSCLC tumour + peritumoral + lung + dose regions, external validation, high combined C-index — trop z briefingu. Najlepiej dopasowana znaleziona praca: Kawahara D, Imano N, Kishi M, Fujiwara T, Kimura T, Murakami Y. “Prediction of radiation pneumonitis after CRT in patients with advanced NSCLC using multi-region radiomics and attention-based ensemble learning,” Med Phys 2025;52:e70140 — PMID 41261069 / doi:10.1002/mp.70140. Stan: tożsamość prawdopodobna, NIE zweryfikowano pełnego tekstu — sprawdzono abstrakt czasopisma (137 pacjentów, dwa japońskie ośrodki, 40 obszarów anatomicznych/warstwowanych według dawki, w tym GTV/powłoki okołoguzowe/płuco/ podobjętości dawki, cztery Radscores, deklarowana walidacja zewnętrzna, C-index 0.83 dla treningu / 0.83 zewnętrznie vs 0.54 dla modelu klinicznego według abstraktu); pełny tekst jest za paywallem (brak kopii w PMC), zatem struktura kohorty, konstrukcja obszarów, rozdzielenie zbioru treningowego i zewnętrznego oraz dokładne metryki pozostają niesprawdzone — briefing może też opisywać inną pracę z 2026 r. Z tego powodu 2026-08-22 pozycję usunięto ze źródeł wspierających treści przeznaczone dla uczącego się; nie przywracaj jej bez weryfikacji pełnego tekstu. Wspiera: lekcję 15 w rozdz. 3 (punkt o wielu obszarach, obecnie przedstawiony bez twierdzeń na poziomie badania).
3. Przykłady radiomiki kardiotoksyczności i oportunistycznego pomiaru gęstości kości w CT (tropy z briefingu) — nie analizowano ich osobno; synteza „rodzin pytań” z rozdz. 3 celowo wymienia je jako rodziny bez twierdzeń na poziomie badania. Przed dodaniem dowolnego przykładu zweryfikuj kohortę, punkt końcowy oraz to, czy marker zwalidowano względem standardu referencyjnego (DXA / strain / events), a nie tylko za pomocą wewnętrznej walidacji krzyżowej.

Jak korzystać z tej mapy

• Przejdź w dowolne miejsce. Interesuje Cię Merlin? Otwórz jego wiersz, a obok niego przeczytaj przegląd Paschali/Akinci D’Antonoli. Bez kolejki i bez bramki.
• „Zapisane” ≠ „trzeba przeczytać”. Zachowanie pozycji w Zotero nie tworzy obowiązku.
• Framework zależnie od rodzaju badania (rozdz. 7): predykcja → TRIPOD+AI/PROBAST+AI; model AI w obrazowaniu → CLAIM 2024; radiomika → CLEAR; obliczanie cech → IBSI 1/2.
• Gdy przechodzisz do aktywnej lektury pracy, otwórz ją z określoną powyżej rolą/pytaniem, a nie bez ukierunkowania.