Notice bibliographique
Résumé
PURPOSE: To examine the relationship between physical image characteristics and the clinical grading of images of conjunctival redness and to develop an accurate and efficient predictor of clinical redness from the measurements of these images. METHODS: Seventy-two clinicians graded the appearance of 30 images of redness on a 100-point sliding scale with three referent images (at 25, 50, and 75 points) through a World Wide Web-based survey. Using software developed in a commercial computer program, each image was quantified in two ways: by the presence of blood vessel edges, based on the Canny edge-detection algorithm, and by a measure of overall redness, quantified by the relative magnitude of the redness component of each red-green-blue (RGB) pixel. Linear and nonlinear regressors and a Bayesian estimator were used to optimally combine the image characteristics to predict the clinical grades. RESULTS: The clinical judgments of the redness images were highly variable: The average grade range for each image was approximately 55 points, more than half the extent of the entire scale. The median clinical grade was chosen as the most reliable measure of "truth." The median grade was predicted by a weighted linear combination of the edgeness and redness features of each image. The strength of the predicted association was r = 0.976, exceeding the strength of association of all but one of the 72 individual clinicians. CONCLUSIONS: Clinical grading of redness images is highly variable. Despite this human variability, easily implemented image-analysis and statistical procedures were able to reliably predict median clinical grades of conjunctival redness.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».