Determination of Optimum Hyperparameters in Diagnosis of Strabismus Using Artificial Intelligence Model: Cross-Sectional Study
Notice bibliographique
Résumé
Objective: This study aims to analyze the effectiveness of the internet-based, free Teachable Machine (TM) platform, which does not entail code knowledge, in detecting the presence and types of strabismus in the optimum hyperparameters. Material and Methods: The images obtained from the patients who presented to our clinic with the complaint of ocular deviation were analyzed, and 523 [176 esotropia (ET), 195 exotropia (XT), and 152 orthophoria (ORTHO)] images were included in this study. After the images were uploaded to the TM platform, 6 different batch sizes and 9 different learning rates were tested using the grid search method, with the number of epochs fixed at 4,000 to determine the optimum hyperparameter. Results: The highest overall test accuracy was 0.887, and the hyperparameters from which this accuracy was obtained were 200 for the number of epochs, 256 for the batch size, and 0.0005 for the learning rate. In the TM model trained with these parameters, accuracy values of ET: 0.96, ORTHO: 0.78 and XT: 0.9 were obtained in the subgroups, respectively. Conclusion: To achieve optimal accuracy at the stage of development of the artificial intelligence model, users should determine the appropriate hyperparameter values depending on the size of the available dataset and the complexity of the data. The results we obtained by determining the optimum hyperparameters have revealed that the presence of strabismus can be detected with high accuracy using TM, an internet-based, free deep learning platform that does not entail having code knowledge.
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 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 | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».