Perception of retinal images: Can artificial intelligence help us discover new diagnostic features?
Notice bibliographique
Résumé
Medical images are a rich source of information regarding health. Diagnosticians are trained to sift through them to detect subtle signs of pathological processes, and to ignore vast variations unrelated to pathology. Retinal images are routinely used in the diagnosis and management of ocular diseases. Might there be signs of pathology in a retinal image, beyond eye diseases, that are hiding in plain sight, but currently overlooked? Convolutional neural networks (CNN) trained on retinal fundus images can classify patient sex, a trait that is invisible to the diagnostician (e.g. ophthalmologist) in this modality. Recent work in the interpretation of a CNN model trained for sex classification has elucidated features within fundus images that were relevant to this task (Delavari et al., 2022). Using patient sex as a case study, we investigated whether human observers can be trained to recognize “invisible” patient traits from fundoscopic images. We examined a group of diagnosticians (Expert, N=23) and a comparison group (Non-expert, N=31). In the pre-training phase, baseline sex recognition was assessed via a 2-alternative forced-choice (2-AFC) task without feedback. This was followed by a training phase and practice trials with feedback. Finally, a post-training 2-AFC sex recognition test and a novel object memory test (NOMT) (Richler et. al., 2017) to assess general object recognition ability were completed. Results for the pre-test are consistent with chance-level performance, M=52% for Experts, and M=52% for Non-experts, as expected. Post-test performance was significantly improved for Experts with M=66.1% (d= 2.38, p<<0.01) and for Non-experts M=66.2% (d=1.67, p<<0.01). Performance on the NOMT test was not related to improvement in fundus classification. Together, these results demonstrate that diagnosticians can be trained to recognize novel retinal features suggested by artificial intelligence. Future work with this approach can be extended to discover signs of systemic and neurodegenerative disease in retinal images.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».