Abstract 14192: Accuracy Improvement In The Fully Automated Assessment Of Right Ventricular Function Using Artificial Intelligence
Notice bibliographique
Résumé
Introduction: The use of deep learning (DL) contouring algorithms to automatically calculate right ventricular ejection fraction (RVEF) is challenging due to the highly variable right ventricular (RV) geometry. The robustness of a DL algorithm to quantify RVEF using cardiac magnetic resonance (CMR) is highly dependent on the quality of the dataset used to train and cross-validate the algorithm. Using an insufficiently heterogeneous dataset to cross-validate a DL algorithm during development may poorly affect its performance when deployed in a clinical environment with diverse disease states and variable image quality. This study was designed to test the hypothesis that using a heterogeneous CMR dataset with a wide range of RV pathology during the cross-validation phase of DL algorithm development would result in more accurate quantification of RV function. Methods: We identified 100 CMR exams in which the RV function could not be accurately quantified using a commercially available DL algorithm (DL1), resulting in errors >5%. We then used a new algorithm that was developed while including images from a greater diversity of disease states and acquisition techniques during the cross-validation phase (DL2). RVEF was measured automatically using both DL1 and DL2 (Figure A) and compared to measurements made in a core laboratory (Core). Results: DL2-RVEF correlated highly with Core-RVEF (r=0.87), whereas DL1-RVEF correlated only modestly (r=0.42) (Figure B). DL2 also resulted in a smaller RVEF error than DL1 when compared to Core-RVEF (Figure C). For DL1, the percentages of smaller errors were considerably lower with no cases with <5% error, while errors >10% were noted in 35% of cases. In contrast, for DL2, 70% of cases were within 5% error, while only 10% of cases showed errors >10%. Conclusions: The use of a diverse dataset during the cross-validation phase of DL algorithm development resulted in a considerable improvement in the accuracy of the automated analysis of RVEF.
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 | 0,006 | 0,015 |
| 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 | 0,000 |
| Communication savante | 0,002 | 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) | 0,002 | 0,001 |
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 ».