Expert-level segmentation using deep learning for volumetry of polycystic kidney and liver
Notice bibliographique
Résumé
PURPOSE: Volumetry is used in polycystic kidney and liver diseases (PKLDs), including autosomal dominant polycystic kidney disease (ADPKD), to assess disease progression and drug efficiency. However, since no rapid and accurate method for volumetry has been developed, volumetry has not yet been established in clinical practice, hindering the development of therapies for PKLD. This study presents an artificial intelligence (AI)-based volumetry method for PKLD. MATERIALS AND METHODS: The performance of AI was first evaluated in comparison with ground-truth (GT). We trained a V-net-based convolutional neural network on 175 ADPKD computed tomography (CT) segmentations, which served as the GT and were agreed upon by 3 experts using images from 214 patients analyzed with volumetry. The dice similarity coefficient (DSC), interobserver correlation coefficient (ICC), and Bland-Altman plots of 39 GT and AI segmentations in the validation set were compared. Next, the performance of AI on the segmentation of 50 random CT images was compared with that of 11 PKLD specialists based on the resulting DSC and ICC. RESULTS: The DSC and ICC of the AI were 0.961 and 0.999729, respectively. The error rate was within 3% for approximately 95% of the CT scans (error<1%, 46.2%; 1%≤error<3%, 48.7%). Compared with the specialists, AI showed moderate performance. Furthermore, an outlier in our results confirmed that even PKLD specialists can make mistakes in volumetry. CONCLUSIONS: PKLD volumetry using AI was fast and accurate. AI performed comparably to human specialists, suggesting its use may be practical in clinical settings.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 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 ».