A Comparison of the Glaucoma Probability Score to Earlier Heidelberg Retina Tomograph Data Analysis Tools in Classifying Normal and Glaucoma Patients
Notice bibliographique
Résumé
PURPOSE: To compare the performance of the Glaucoma Probability Score (GPS), Mikelberg linear discriminant function (LDF), Burk LDF, and Moorfield regression analysis (MRA) in classifying optic disc images acquired from normals and glaucoma patients with the Heidelberg Retina Tomograph (HRT). PATIENTS AND METHODS: This is a retrospective comparative study of 110 eyes of 110 subjects clinically categorized as glaucoma or normal. Topographic images of the optic nerve head were obtained from HRT. Data analysis of the HRT images were carried out using GPS, Mikelberg LDF, Burk LDF, and MRA. Diagnostic performances and agreement in classification between the data analysis tools were calculated and compared for GPS, Mikelberg LDF, Burk LDF, and MRA. RESULTS: The highest specificity but lowest sensitivity value was obtained using the Burk LDF. The highest sensitivity but lowest specificity was obtained using the GPS. The GPS and MRA were however similar in performance. Sensitivity and specificity values of the GPS and other LDFs were affected by disc size. CONCLUSIONS: The GPS compared similarly with the MRA without the need of additional contour line placements. Disc size is still an important factor in classification by the GPS and the other LDFs.
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 | 0,002 | 0,013 |
| 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 | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».