Processing of thermal images to detect breast cancer: comparison with previous work
Notice bibliographique
Résumé
In the early 1980s, thermography began to be used to detect pain and breast cancer. However, the images were interpreted through the naked eye, and thus subtle differences were difficult to identify. More recently, widespread use of PCs led to the application of computer processing to the analysis of thermal images. For example, Head et al. (1997) reported three methods to calculate temperature differences between the right and left breast to help detect and diagnose breast cancer. Their analysis of 13 patients had better results with their 3/sup rd/ method than with their methods 1 and 2, but still showed 3 false positives out of 10 patients who were diagnosed as "normal" and 1 false negative out of 3 patients diagnosed with cancer. We applied these authors' three techniques to nine of our patients (6 with a diagnosis of normal and 3 with cancer) and found that only method 3 provided reliable results. With the lower threshold of 1/spl deg/C suggested by Head et al., we had 2 false positives. However, when we raised the threshold to of normalcy to 1.5/spl deg/C (instead of 1), we found no false negatives or false positives on this sample of nine patients. Future work should focus on improving the third approach and find new ways of enhancing differences, which would be significant for a correct diagnosis. These preliminary results are encouraging but a properly designed prospective clinical trial needs to be done to show if this technique can play a useful role in the future or not.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».