P.012 SketchNet: Equipping Cognitive Examinations With Neural Network Computer Vision
Notice bibliographique
Résumé
Background: With the advance of technology, our capacity to assess patients with dementia is also developing. It is possible to administer cognitive examinations using technology, such as the iPad-based Toronto Cognitive Assessment, but hitherto difficult to autonomously administer them. Many of the ’inputs’ from patients could be easily scored with software, but highly variable inputs such as the clock drawing are extremely difficult to score, precluding automated administration and scoring. This work focuses on the development of a neural network designed to assess cube drawings, infinity drawings, and clock drawings. Methods: 3200 drawings, evenly split between clocks, cubes and infinities were generated, with half being correct and half incorrect. A SqueezeNet was trained on 2000 images, validated on 800 drawings, and then tested on 400 drawings. Results: The SqueezeNet was able to achieve 97% accuracy on 400 images it had never seen before in categorizing images as “Cube”, “Clock”, “Infinity”, or “Other” (incorrectly drawn). Conclusions: This neural network can successfully determine the difference between correctly and incorrectly drawn images commonly used in cognitive examinations, overcoming the final barrier to autonomously administering and scoring cognitive examinations. Next steps are to clinically validate an autonomous examination program which has been modeled after the Addenbrooke Cognitive Examination-3.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».