Clinician-interactive AI for RECIST measurements in CT imaging
Notice bibliographique
Résumé
The RECIST criteria are used in computed tomography (CT) imaging to assess changes in tumour burden induced by cancer therapeutics throughout treatment. One of its requirements is frequent measurement of lesion diameters , which is often time consuming for clinicians. We aimed to study clinician-interactive AI, defined as deep learning models that use image annotations as input to assist in radiological measurements. Two annotation types are compared in their enhancement of predictive capabilities: mouse clicks in the tumour region, and bounding boxes surrounding lesions. The model architectures compared in this study are the U-Net, V-Net, AH-Net, and SegRes-Net. Models were trained and tested using a non-small cell lung cancer dataset from the cancer imaging archive (TCIA) consisting of CT scans and corresponding gold-standard lesion segmentations inferred from PET/CT scans. Mouse clicks and bounding boxes, representing clinician input, were artificially generated. The absolute percent error between predicted and ground truth diameters was computed for each model architecture. Bounding box annotations yielded mean absolute percent errors of 4.9 ± 2.1 %, 7.8 ± 3.4 %, 5.6 ± 2.4 % and 5.6 ± 2.3 %, respectively, whereas models using clicks annotations yielded 17.0 ± 7.9 %, 19.8 ± 9.3 %, 21.4 ± 10.9 % and 18.1 ± 7.9%. The corresponding mean dice scores across all model architectures were 0.883 ± 0.004 and 0.760 ± 0.012 for bounding box and click annotations respectively. Models were then implemented in an AI pipeline for clinical use at the BC cancer agency using the Ascinta software package; click annotations yielded qualitatively better results than bounding box annotations.
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 | 0,003 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».