Abstract 10580: Machine Learning-Assisted Echocardiographic Identification of Children at High Risk for Treatment-Related Cardiomyopathy: A Proof-of-Concept Study
Notice bibliographique
Résumé
Introduction: Childhood cancer survivors require life-long surveillance for treatment-related cardiomyopathy/heart failure (CHF). Ultimately, we aim to use machine learning to aid in echocardiographic discrimination of survivors more likely to develop future CHF. For this feasibility pilot, we built two proof-of-concept deep convolutional neural networks (DCNNs) tasked with binary classification of present/future CHF versus no CHF with the aim of assessing optimal data input format and model architecture. Methods: From a robust multi-institutional surveillance echo dataset, we selected pilot data comprising 171 parasternal short axis echo clips, 52 from 5 CHF+ (present and future CHF) and 119 from 21 CHF- patients. We built two DCNN models differing in frame selection for input data (Fig. 1), both tasked with binary classification of CHF+ vs. CHF-. We used holdout subsets in a 10-fold cross-validation framework to test model performance and Student’s t test (paired) to compare model performance. Results: Classification performance was similar, with mean AUROC values of 0.59 ± 0.09 and 0.53 ± 0.11 (p=0.14) for the models trained on Type I and Type II montages, respectively (Fig. 2). Conclusions: The DCNN framework is feasible for a model tasked with classifying CHF status, and we are optimistic that a similar model can be trained with pre-CHF diagnosis (case) vs control patient images to facilitate machine learning-assisted identification of childhood cancer survivors more likely to develop CHF in the future.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 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) | 0,003 | 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 ».