KEDOP: Keratoconus early detection of progression using tomography images
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle