MétaCan
Menu
Retour à la cohorte
Enregistrement W4229082130 · doi:10.1212/wnl.0000000000200293

Multicenter Validation of a Deep Learning Detection Algorithm for Focal Cortical Dysplasia

2022· erratum· en· W4229082130 sur OpenAlexaff
Ravnoor Gill, Hyomin Lee, Benoît Caldairou, Seok‐Jun Hong, Carmen Barba, Francesco Deleo, Ludovico D’Incerti, Vanessa Cristina, Mendes Coelho, Matteo Lenge, Mira Semmelroch, Victoria Schrader, Fabrice Bartoloméi, Maxime Guye, Andreas Schulze‐Bonhage, Horst Urbach, Kyoo Ho Cho, Fernando Cendes, Renzo Guerrini, Graeme D. Jackson, R. Edward Hogan, Neda Bernasconi, A Bernasconi

Notice bibliographique

RevueNeurology · 2022
Typeerratum
Langueen
DomaineMedicine
ThématiqueRetinal Imaging and Analysis
Établissements canadiensBritish Columbia Children's HospitalMcGill UniversityMontreal Neurological Institute and Hospital
Organismes subventionnairesnon disponible
Mots-clésCortical dysplasiaMulticenter studyDeep learningArtificial intelligenceComputer scienceAlgorithmDysplasiaMedicineMachine learningPathologyRadiologyMagnetic resonance imaging

Résumé

récupéré en direct d'OpenAlex

In the Research Article “Multicenter Validation of a Deep Learning Detection Algorithm for Focal Cortical Dysplasia” by Gill et al.,1 several links to the supplemental content were omitted in the final manuscript. The article has now been replaced by a corrected version with the links included. The original version with the changes highlighted is available from a link in the corrected article. The publisher regrets the omissions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,901
Score d'incertitude au seuil0,661

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,280
Écart entre enseignants0,270 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNeurologyMême sujetRetinal Imaging and AnalysisTravaux en français237 207