The detection of glaucoma using an artificial neural network
Notice bibliographique
Résumé
The scanning laser ophthalmoscope is a device used by ophthalmologists to obtain topographic images of patients' optic nerve heads (ONHs). Measurements are taken from these images that quantitatively describe the shape of the ONH. Glaucoma involves the loss of retinal nerve fibers, which in turn produces a change in the ONH shape. However, it is not known which shape parameters are most relevant to the diagnosis of glaucoma. To solve this problem, a feedforward artificial neural network (ANN) was designed to discriminate between patient data. Patients were first independently classified using perimetry data (visual fields) into normal and abnormal (glaucomatous) groups. The ANN was trained using error backpropagation (n=89 samples) and the classification model was cross validated using one normal, and one abnormal sample. The entire data set (45 normals and 46 abnormals) was utilized for cross validation and each time the error rate of the training set was required to be less than 15%. The ANN gave an overall classification rate of 86.7%, with a specificity (correct normals) of 88.9% and a sensitivity (correct abnormals) of 84.4%. The ANN classification model, with only two hidden units, generalized well which indicates that the ONH measurements are useful for the detection of glaucoma.
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».