Automated image analysis of digital colposcopy for the detection of cervical neoplasia
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Digital colposcopy is a promising technology for the detection of cervical intraepithelial neoplasia. Automated analysis of colposcopic images could provide an inexpensive alternative to existing screening tools. Our goal is to develop a diagnostic tool that can automatically identify neoplastic tissue from digital images. A multispectral digital colposcope (MDC) is used to acquire reflectance images of the cervix with white light before and after acetic-acid application in 29 patients. A diagnostic image analysis tool is developed to identify neoplasia in the digital images. The digital image analysis is performed in two steps. First, similar optical patterns are clustered together. Second, classification algorithms are used to determine the probability that these regions contain neoplastic tissue. The classification results of each patient's images are assessed relative to the gold standard of histopathology. Acetic acid induces changes in the intensity of reflected light as well as the ratio of green to red reflected light. These changes are used to differentiate high-grade squamous intraepithelial (HGSIL) and cancerous lesions from normal or low-grade squamous intraepithelial (LGSIL) tissue. We report diagnostic performance with a sensitivity of 79% and a specificity of 88%. We show that diagnostically useful digital images of the cervix can be obtained using a simple and inexpensive device, and that automated image analysis algorithms show a potential to identify histologically neoplastic tissue areas.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle