Late Breaking Abstract - Detection of small airway obstruction patterns in forced oscillometry(FO) and spirometry using artificial neural networks
Notice bibliographique
Résumé
Background: FO is novel and more sensitive in assessing small airways than spirometry. However, FO test interpretation guidelines have not been established, limiting the utility of FO for diagnoses. Multi-layer perceptron(MLP) is a class of artificial neural networks which is capable of categorizing data based on input features using nonlinear operators. Objectives: To construct and evaluate an effective MLP model for detecting and classifying small airway obstruction patterns in FO and spirometry results. Method: The samples used are paired FO-spirometry tests of 200 individuals collected at the PFT Laboratory, UHN. The preliminary experiment involves the first 222 tests of 82 subjects(38F:44M, age=55.4±12.9yrs). Each test is labelled as airflow obstruction(AO) or not according to ATS guidelines, and randomly divided into training, validation, and test datasets at 70:15:15. MLP models with different numbers of inputs, hidden layers, and hidden units are evaluated regarding their performance in classifying AO(positive/negative). Result: The best result is obtained by the MLP model with 44 input features, including 4 biometrics (age, gender, height, weight), 36 FO parameters (R, X, Rin-ex, Xin-ex, each at 9 different frequencies), 4 spirometric parameters (FEV1, FVC, FEF50, FEF75), 1 hidden layers with 140 units and a logistic activation function. By training 200 epochs at 0.001 learning rate, the average validation accuracy is 83% for unseen patterns. Conclusion: MLP is an effective tool for identifying AO patterns in FO and spirometry. The classification accuracy is expected to improve as the training sample size expands and the model parameters are further regulated.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».