Otoscopic diagnosis using computer vision: An automated machine learning approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: Access to otolaryngology is limited by lengthy wait lists and lack of specialists, especially in rural and remote areas. The objective of this study was to use an automated machine learning approach to build a computer vision algorithm for otoscopic diagnosis capable of greater accuracy than trained physicians. This algorithm could be used by primary care providers to facilitate timely referral, triage, and effective treatment. METHODS: Otoscopic images were obtained from Google Images (Google Inc., Mountain View, CA), from open access repositories, and within otolaryngology clinics associated with our institution. After preprocessing, 1,366 unique images were uploaded to the Google Cloud Vision AutoML platform (Google Inc.) and annotated with one or more of 14 otologic diagnoses. A consensus set of labels for each otoscopic image was attained, and a multilabel classifier architecture algorithm was trained. The performance of the algorithm on an 89-image test set was compared to the performance of physicians from pediatrics, emergency medicine, otolaryngology, and family medicine. RESULTS: For all diagnoses combined, the average precision (positive predictive value) of the algorithm was 90.9%, and the average recall (sensitivity) was 86.1%. The algorithm made 79 correct diagnoses with an accuracy of 88.7%. The average physician accuracy was 58.9%. CONCLUSION: We have created a computer vision algorithm using automated machine learning that on average rivals the accuracy of the physicians we tested. Fourteen different otologic diagnoses were analyzed. The field of medicine will be changed dramatically by artificial intelligence within the next few decades, and physicians of all specialties must be prepared to guide that process. LEVEL OF EVIDENCE: NA Laryngoscope, 130:1408-1413, 2020.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,001 | 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 découle