Deep learning model to identify homonymous defects on automated perimetry
Notice bibliographique
Résumé
BACKGROUND: Homonymous visual field (VF) defects are usually an indicator of serious intracranial pathology but may be subtle and difficult to detect. Artificial intelligence (AI) models could play a key role in simplifying the detection of these defects. This study aimed to develop an automated deep learning AI model to accurately identify homonymous VF defects from automated perimetry. METHODS: VFs performed on Humphrey field analyser (24-2 algorithm) were collected and run through an in-house optical character recognition program that extracted mean deviation data and prepared it for use in the proposed AI model. The deep learning AI model, Deep Homonymous Classifier, was developed using PyTorch framework and used convolutional neural networks to extract spatial features for binary classification. Total collected dataset underwent 7-fold cross validation for model training and evaluation. To address dataset class imbalance, data augmentation techniques and state-of-the-art loss function that uses complement cross entropy were used to train and enhance the proposed AI model. RESULTS: The proposed model was evaluated using 7-fold cross validation and achieved an average accuracy of 87% for detecting homonymous VF defects in previously unseen VFs. Recall, which is a critical value for this model as reducing false negatives is a priority in disease detection, was found to be on average 92%. The calculated F2 score for the proposed model was 0.89 with a Cohen's kappa value of 0.70. CONCLUSION: This newly developed deep learning model achieved an overall average accuracy of 87%, making it highly effective in identifying homonymous VF defects on automated perimetry.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».