MétaCan
Menu
Retour à la cohorte
Enregistrement W3005439854 · doi:10.1200/cci.19.00099

The International Association for the Study of Lung Cancer Early Lung Imaging Confederation

2020· article· en· W3005439854 sur OpenAlexaff
James L. Mulshine, Ricardo S. Avila, Ed Conley, Anand Devaraj, Laurie Fenton Ambrose, Tanya Flanagan, Claudia I. Henschke, Fred R. Hirsch, Robert Janz, Ryutaro Kakinuma, Stephen Lam, Annette McWilliams, Peter M. A. van Ooijen, Matthijs Oudkerk, Ugo Pastorino, Anthony P. Reeves, P. Rogalla, Heidi Schmidt, Daniel C. Sullivan, Haije Wind, Ning Wu, Murry W. Wynes, David F. Yankelevitz, John K. Field

Notice bibliographique

RevueJCO Clinical Cancer Informatics · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueLung Cancer Diagnosis and Treatment
Établissements canadiensUniversity of TorontoUniversity of British ColumbiaCanadian Partnership Against Cancer
Organismes subventionnairesnon disponible
Mots-clésVendorMultidisciplinary approachMedicineComputer scienceMedical physicsQuality (philosophy)Lung cancerData miningPathologyBusiness

Résumé

récupéré en direct d'OpenAlex

PURPOSE: To improve outcomes for lung cancer through low-dose computed tomography (LDCT) early lung cancer detection. The International Association for the Study of Lung Cancer is developing the Early Lung Imaging Confederation (ELIC) to serve as an open-source, international, universally accessible environment to analyze large collections of quality-controlled LDCT images and associated biomedical data for research and routine screening care. METHODS: ELIC is an international confederation that allows access to efficiently analyze large numbers of high-quality computed tomography (CT) images with associated de-identified clinical information without moving primary imaging/clinical or imaging data from its local or regional site of origin. Rather, ELIC uses a cloud-based infrastructure to distribute analysis tools to the local site of the stored imaging and clinical data, thereby allowing for research and quality studies to proceed in a vendor-neutral, collaborative environment. ELIC's hub-and-spoke architecture will be deployed to permit analysis of CT images and associated data in a secure environment, without any requirement to reveal the data itself (ie, privacy protecting). Identifiable data remain under local control, so the resulting environment complies with national regulations and mitigates against privacy or data disclosure risk. RESULTS: The goal of pilot experiments is to connect image collections of LDCT scans that can be accurately analyzed in a fashion to support a global network using methodologies that can be readily scaled to accrued databases of sufficient size to develop and validate robust quantitative imaging tools. CONCLUSION: This initiative can rapidly accelerate improvements to the multidisciplinary management of early, curable lung cancer and other major thoracic diseases (eg, coronary artery disease and chronic obstructive pulmonary disease) visualized on a screening LDCT scan. The addition of a facile, quantitative CT scanner image quality conformance process is a unique step toward improving the reliability of clinical decision support with CT screening worldwide.

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)0,031
score de la tête « metaresearch » (Gemma)0,041
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: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,057
Score d'incertitude au seuil0,192

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0310,041
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0030,004
Études des sciences et des technologies0,0020,002
Communication savante0,0090,003
Science ouverte0,0040,007
Intégrité de la recherche0,0050,009
Charge utile insuffisante (le modèle a refusé de juger)0,0570,039

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 Opus0,059
Tête enseignante GPT0,437
Écart entre enseignants0,378 · 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
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

Citations16
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJCO Clinical Cancer InformaticsMême sujetLung Cancer Diagnosis and TreatmentTravaux en français237 207