Automated detection of diabetic retinopathy in digital retinal images: a tool for diabetic retinopathy screening
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
AIMS: To develop a system to detect automatically features of diabetic retinopathy in colour digital retinal images and to evaluate its potential in diabetic retinopathy screening. METHODS: Macular centred 45 degrees colour retinal images from 1273 patients in an inner city diabetic retinopathy screening programme. A system was used involving pre-processing to standardize colour and enhance contrast, segmentation to reveal possible lesions and classification of lesions using an artificial neural network. The system was trained using a subset of images from 500 patients and evaluated by comparing its performance with a human grader on a test set of images from 773 patients. RESULTS: Maximum sensitivity for detection of any retinopathy on a per patient basis was 95.1%, accompanied by specificity of 46.3%. Specificity could be increased as far as 78.9% but was accompanied by a fall in sensitivity to 70.8%. At a setting with 94.8% sensitivity and 52.8% specificity, no cases of sight-threatening retinopathy were missed (retinopathy warranting immediate ophthalmology referral or re-examination sooner than 1 year by National Institute for Clinical Excellence criteria). If the system was implemented at 94.8% sensitivity setting over half the images with no retinopathy would be correctly identified, reducing the need for a human grader to examine images in 1/3 of patients. CONCLUSION: This system could be used when screening for diabetic retinopathy. At 94.8% sensitivity setting the number of normal images requiring examination by a human grader could be halved.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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