Computer-Aided Pulmonary Fibrosis Detection Leveraging an Advanced Artificial Intelligence Triage and Notification Software
Notice bibliographique
Résumé
Background: Improvement in recognition and referral of pulmonary fibrosis (PF) is vital to improving patient outcomes within interstitial lung disease. We determined the performance metrics and processing time of an artificial intelligence triage and notification software, ScreenDx-LungFibrosis™, developed to improve detection of PF. Methods: ScreenDx-LungFibrosis™ was applied to chest computed tomography (CT) scans from multisource data. Device output (+/- PF) was compared to clinical diagnosis (+/- PF), and diagnostic performance was evaluated. Primary endpoints included device sensitivity and specificity > 80% and processing time < 4.5 min. Results: Of 3,018 patients included, PF was present in 22.9%. ScreenDx-LungFibrosis™ detected PF with a sensitivity and specificity of 91.3% (95% confidence interval (CI): 89.0-93.3%) and 95.1% (95% CI: 94.2-96.0%), respectively. Mean processing time was 27.6 s (95% CI: 26.0 - 29.1 s). Conclusions: ScreenDx-LungFibrosis™ accurately and reliably identified PF with a rapid per-case processing time, underscoring its potential for transformative improvement in PF outcomes when routinely applied to chest CTs.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 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 ».