Using Medical Imaging Effective Dose in Deep Learning Models: Estimation and Evaluation
Notice bibliographique
Résumé
Accurately estimating patient exposure is a fundamental concern when modeling the radiation risk from medical imaging. Inaccurate estimation techniques produce misleading instances that have a cascading effect on the performance of risk models. A commonly used method of estimating exposure is using mean effective dose (ED) values from the literature. However, the predictive power of literature values to impute patients ED has not been investigated. In this article, we present a comparative analysis between two methods to estimate ED for computed tomography (CT) and X-ray (XR) scans: 1) mean EDs from the literature and 2) calculated dose estimates from imaging scans using ED tools. We also used adversarial machine learning to demonstrate how the difference between estimation methods impacts a proof-of-concept deep learning model. The study cohort had 39 909 medical imaging scans (7427 CT and 32 482 XR scans) from a stratified random sample of 2000 patients from four hospitals in Hamilton, Canada over ten years. Our results showed moderate increases in the mean ED compared to the literature across all exam types. However, using mean values reported in the literature underestimated patients' total ED over the study period. Our results also demonstrated that the differences between the estimation methods were enough to cause model misclassifications. The results of our study demonstrate the challenges of using mean ED values from the literature to estimate patient medical imaging exposure. There is a need to develop novel imputation methods to estimate patients' EDs from medical imaging.
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) | 0,000 | 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) | 0,000 | 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 ».