A prospective validation of a deep learning-based automated workflow for the interpretation of the echocardiogram
Notice bibliographique
Résumé
Abstract Funding Acknowledgements Type of funding sources: Private company. Main funding source(s): Us2.ai Background. Deep learning can automate the interpretation of medical imaging tests. This study aimed to prospectively assess the interchangeability of deep learning algorithms with expert human measurements for interpreting echocardiographic studies, the primary method for assessing cardiac structure and function. Methods. We compared a deep learning interpretation of 23 echocardiographic parameters—including cardiac volumes, ejection fraction, and Doppler measurements—with three repeated measurements by core lab human experts in a prospective study for submission to the United States Food and Drug Administration (FDA). The primary outcome metric was the individual equivalence coefficient (IEC), which compares the disagreement between deep learning and human readers relative to the disagreement among human readers. The pre-determined non-inferiority criterion was 0.25 for the upper bound of the 95% confidence interval (CI). Secondary outcomes included measures of agreement, including the mean absolute deviation. Results. We included 602 studies from 600 participants (421 with heart failure, 179 controls, 69% women) with a mean age of 57 ± 16 years. The point estimates of IEC were all <0, indicating that the disagreement between the deep learning and human measures were lower than the disagreement among three core lab readers, and the upper bound of the 95% CI of IECs fell below the prespecified success criterion of 0.25. Secondary endpoints showed good agreement of automated with human expert measurements (Figure), with comparable or lower mean absolute deviations between automated and human experts relative to the mean absolute deviation among human experts. Conclusion. This prospective validation study demonstrated excellent agreement between deep learning and expert human interpretation for a wide range of echocardiographic measurements. These results highlight the potential of deep learning algorithms to improve efficiency and reduce costs of echocardiography. Abstract Figure.
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 | 0,067 | 0,090 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».