Discovery Radiomics via Deep Multi-Column Radiomic Sequencers for Skin Cancer Detection
Notice bibliographique
Résumé
While skin cancer is the most diagnosed form of cancer in menand women, with more cases diagnosed each year than all othercancers combined, sufficiently early diagnosis results in very goodprognosis and as such makes early detection crucial. While radiomicshave shown considerable promise as a powerful diagnostictool for significantly improving oncological diagnostic accuracy andefficiency, current radiomics-driven methods have largely rely onpre-defined, hand-crafted quantitative features, which can greatlylimit the ability to fully characterize unique cancer phenotype thatdistinguish it from healthy tissue. Recently, the notion of discoveryradiomics was introduced, where a large amount of custom, quantitativeradiomic features are directly discovered from the wealth ofreadily available medical imaging data. In this study, we presenta novel discovery radiomics framework for skin cancer detection,where we leverage novel deep multi-column radiomic sequencersfor high-throughput discovery and extraction of a large amount ofcustom radiomic features tailored for characterizing unique skincancer tissue phenotype. The discovered radiomic sequencer wastested against 9,152 biopsy-proven clinical images comprising ofdifferent skin cancers such as melanoma and basal cell carcinoma,and demonstrated sensitivity and specificity of 91% and 75%, respectively,thus achieving dermatologist-level performance andhence can be a powerful tool for assisting general practitionersand dermatologists alike in improving the efficiency, consistency,and accuracy of skin cancer diagnosis.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».