MétaCan
Menu
Retour à la cohorte
Enregistrement W2617383746 · doi:10.15353/vsnl.v1i1.58

Dermal Radiomics for Melanoma Screening

2015· article· en· W2617383746 sur OpenAlexafffundvenue
Daniel Cho, David A. Clausi, Alexander Wong

Notice bibliographique

RevueVision Letters · 2015
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesOntario Ministry of Research and InnovationNatural Sciences and Engineering Research Council of CanadaCanada Research Chairs
Mots-clésMelanomaRadiomicsMedicineCancer researchRadiology

Résumé

récupéré en direct d'OpenAlex

<p>Radiomics has shown considerable promise as a new, emerging<br />approach to computer-aided cancer screening. However, the idea<br />of adopting radiomics for melanoma screening has not been previously<br />explored, with clinical screening relying solely on visual assessment<br />of skin lesion, and thus suffers from low sensitivity and<br />specificity. In this study, a dermal radiomics framework is proposed<br />for computer-aided screening of melanoma, with the aim of improving<br />screening accuracy. A radiomic sequencer is designed to<br />generate radiomic sequences consisting of 367 dermal radiomic<br />features based on extracted physiological biomarkers from dermatological<br />imaging data. The extracted dermal radiomic sequences<br />were then employed to classify benign and malignant melanoma<br />via non-linear random forest classification, and showed superior<br />results in terms of sensitivity, specificity and accuracy when compared<br />to the-state-of-the-art feature models for melanoma classification.</p>

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,308
Score d'incertitude au seuil0,365

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,319
Écart entre enseignants0,294 · 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 tête enseignante, 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
GenreEmpirique

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
Publié2015
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueVision LettersMême sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207