Development and performance validation of a low-cost algorithms-based hyperspectral imaging system for radiodermatitis assessment
Notice bibliographique
Résumé
Whilst radiotherapy (RT) is widely used for cancer treatment, radiodermatitis caused by RT is one most common severe side effect affecting 95% cancer patients. Accurate radiodermatitis assessment and classification is essential to adopt timely treatment, management and monitoring, which all depend on reliable and objective tools for radiodermatitis grading. We therefore, in this work, reported the development and grading performance validation of a low-cost (∼2318.2 CNY) algorithms-based hyperspectral imaging (aHSI) system for radiodermatitis assessment. The low-cost aHSI system was enabled through Monte Carlo (MC) simulations conducted on multi-spectra acquired from a custom built low-cost multispectral imaging (MSI) system, deriving algorithms-based hyper-spectra with spectral resolution of 1 nm. The MSI system was based on sequentially illuminated narrow-band light-emitting diodes (LEDs) and a CMOS camera. Erythema induced artificially on healthy volunteers was measured by the aHSI system developed, with algorithms-based hyper-spectra and skin layer resolved physiological parameters (i.e., the blood volume fraction (BVF) and the oxygen saturation of hemoglobin in blood, et. al.) derivation using MC simulations. The MC simulations derived BVF and the oxygen saturation of hemoglobin in blood showed significant (P < 0.001, analysis of variance: ANOVA) increase with erythema. Further 1D-convolution neural network (CNN) implemented on the algorithms-based hyper-spectra leads to an overall classification accuracy of 93.1%, suggesting the great potential of low-cost aHSI system developed for radiodermatitis assessment.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».