Automatic measurement of kidney dimensions in two-dimensional ultrasonography is comparable to expert sonographers
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
PurposeLength and width measurements of the kidneys aid in the detection and monitoring of structural abnormalities and organ disease. Manual measurement results in intra- and inter-rater variability, is complex and time-consuming, and is fraught with error. We propose an automated approach based on machine learning for quantifying kidney dimensions from two-dimensional (2D) ultrasound images in both native and transplanted kidneys.ApproachAn nnU-net machine learning model was trained on 514 images to segment the kidney capsule in standard longitudinal and transverse views. Two expert sonographers and three medical students manually measured the maximal kidney length and width in 132 ultrasound cines. The segmentation algorithm was then applied to the same cines, region fitting was performed, and the maximum kidney length and width were measured. Additionally, single kidney volume for 16 patients was estimated using either manual or automatic measurements.ResultsThe experts resulted in length of 84.8 ± 26.4 mm [95% CI: 80.0, 89.6] and a width of 51.8 ± 10.5 mm [49.9, 53.7]. The algorithm resulted a length of 86.3 ± 24.4 [81.5, 91.1] and a width of 47.1 ± 12.8 [43.6, 50.6]. Experts, novices, and the algorithm did not statistically significant differ from one another (p > 0.05). Bland–Altman analysis showed the algorithm produced a mean difference of 2.6 mm (SD = 1.2) from experts, compared to novices who had a mean difference of 3.7 mm (SD = 2.9 mm). For volumes, mean absolute difference was 47 mL (31%) consistent with ∼1 mm error in all three dimensions.ConclusionsThis pilot study demonstrates the feasibility of an automatic tool to measure in vivo kidney biometrics of length, width, and volume from standard 2D ultrasound views with comparable accuracy and reproducibility to expert sonographers. Such a tool may enhance workplace efficiency, assist novices, and aid in tracking disease progression.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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