Accuracy of ultrasonic artificial intelligence in diagnosing benign and malignant breast diseases
Notice bibliographique
Résumé
BACKGROUND: Artificial intelligence system is a deep learning system based on computer-assisted ultrasonic image diagnosis, which can extract morphological features of breast mass and conduct objective and efficient image analysis, thus automatically intelligent classification of breast mass, avoiding subjective error and improving the accuracy of diagnosis.[1-2] A large number of studies have confirmed that artificial intelligence (AI) has high effectiveness and reliability in the differential diagnosis of benign and malignant breast diseases.[3-4] However, the results of these studies have been contradictory. Therefore, this meta-analysis tested the hypothesis that artificial intelligence system is accurate in distinguishing benign and malignant breast diseases. METHODS: We will search PubMed, Web of Science, Cochrane Library, and Chinese biomedical databases from their inceptions to the November 20, 2021, without language restrictions. Two authors will independently carry out searching literature records, scanning titles and abstracts, full texts, collecting data, and assessing risk of bias. Review Manager 5.2 and Stata14.0 software will be used for data analysis. RESULTS: This systematic review will determine the accuracy of AI in the differential diagnosis of benign and malignant breast diseases. CONCLUSION: Its findings will provide helpful evidence for the accuracy of AI in the differential diagnosis of benign and malignant breast diseases. SYSTEMATIC REVIEW REGISTRATION: INPLASY2021110087.
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 | 0,021 | 0,127 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,008 |
| Bibliométrie | 0,008 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».