MétaCan
Menu
Retour à la cohorte
Enregistrement W2494142696 · doi:10.1117/3.651880.ch15

AMDI — Indexed Atlas of Digital Mammograms that Integrates Case Studies, E-Learning, and Research Systems via the Web

2010· book-chapter· en· W2494142696 sur OpenAlexaboutno aff
Denise Guliato, Ernani de Melo, Ricardo Soares Bôaventura, Rangaraj M. Rangayyan

Notice bibliographique

RevueSPIE eBooks · 2010
Typebook-chapter
Langueen
DomaineComputer Science
ThématiqueAI in cancer detection
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineMammographyContext (archaeology)RadiologyMalignancyBreast cancerMedical physicsBreast imagingDigital mammographyMagnetic resonance imagingBreast cancer screeningCancerPathology

Résumé

récupéré en direct d'OpenAlex

Mammography is used in screening for the early detection of breast cancer in asymptomatic women. The Alberta Cancer Board (Canada) has been operating Screen Test: Alberta Program for the Early Detection of Breast Cancer since 1990. The program attracts the participation of about 21,000 women per year. In order for screening to be cost effective, means need to be developed to achieve high diagnostic accuracy. Mammograms are difficult images to interpret, especially in the screening context. Ambiguous cases with suspicious features detected on mammograms are evaluated further with adjunctive imaging procedures, such as supplementary views, ultrasonography, magnification mammography, and magnetic resonance imaging, depending on the characteristics of the abnormality. Biopsy is recommended if the imaging methods do not lead to a definite diagnosis but indicate a high suspicion for malignancy, or for confirmation of malignancy. Objective methods for the analysis of mammographic features are needed for the development of computer-aided methods to assist radiologists in the evaluation of ambiguous features. Current research is directed toward the development of digital imaging and image-analysis systems that can detect mammographic features, classify them, and give visual prompts to the radiologist.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,122
Score d'incertitude au seuil0,408

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0090,009
Études des sciences et des technologies0,0000,001
Communication savante0,0030,003
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,1220,049

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.

Tête enseignante Opus0,064
Tête enseignante GPT0,317
Écart entre enseignants0,254 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSPIE eBooksMême sujetAI in cancer detectionTravaux en français237 207