KEDOP: Keratoconus early detection of progression using tomography images
Notice bibliographique
Résumé
PURPOSE: To investigate a method to identification of early progression of keratoconus using deep learning neural networks. METHODS: Retrospective evaluation of medical records of patients with progressive keratoconus and had more than one followup visits. Images extracted from the single scheimplug analyzer for analysis were captured during the patient visits. The baseline progression of keratoconus is detected by a change in flat or steep K of ≥1.0D which is labeled as keratometric progression (KP) and progression detected by image based deep learning convolutional neural network (CNN) models, is labeled as latent progression (LP). Patient data consisted of model data (385 eyes of 351patients) to train and test the learning models and prediction data (1331 eyes of 828 patients) to determine the LP based on the learning models. RESULTS: The LP prediction model was able to identify progression at a mean of 11.1 months earlier than KP (p < 0.001). LP prediction model was able to identify progression earlier than KP irrespective of age category, gender, the severity of keratoconus, presenting visual acuity, astigmatism, and spherical equivalent (P < 0.001). When compared to the first visit the corrected distance visual acuity was more stable in 71% of the eyes at LP prediction visit compared to 50% at KP visit (p < 0.001). CONCLUSION: Through this study, we propose a possible solution to address the shortcomings noted in the current approaches of detecting progression relying only on KP. Avoiding bias towards feature selection from tomography images as done in the current study aids in identifying very subtle changes on the images between visits.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».