Can Artificial Intelligence Guided Image Assessment be as Accurate as Laser Doppler Perfusion Scanning in Predicting Depth of Burn Injury?
Notice bibliographique
Résumé
PURPOSE: Appropriate identification of burn depth and size is paramount. Despite the development of assessment aids [e.g., laser doppler imaging (LDI)], clinical assessments remain the gold standard, which assesses partial thickness burn depth with ~67% accuracy. We sought to develop an image-based artificial intelligence (AI) system that predicts burn severity and margins for use in acute burn triage. METHOD: A convoluted neural network (CNN) was trained on 1855 mobile-device-captured burn images of different burn depths. The CNN was used to develop a novel Boundary-Attention Mapping (BAM) algorithm, using elements of saliency mapping, which was utilized to recognize the boundaries of burns. For validation, 144 patient charts that included clinical assessments, burn location, total body surface area, LDI-assessments, were retrieved for a retrospective study at the University of Alberta. The clinical images underwent CNN-BAM assessments and were directly compared with the LDI assessment. RESULTS: The CNN-BAM system can highlight burns from surrounding tissue with high confidence. The CNN can classify four levels of burn severity with an accuracy of 80%. Results comparing the CNN-BAM outputs to clinical and LDI assessments have shown a high degree of correlation (approximately 85%) between the CNN burn severity predictions to those extrapolated from LDI healing potential. When compared to pre-LDI clinical assessment, the accuracy of the CNN-BAM outcomes has been equivalent or superior in most cases. A high degree of correlation has been demonstrated between the LDI scans and BAM maps created by the system when identifying the overall burn injury margins. CONCLUSION: This novel AI algorithm gives approximately equal accuracy in detecting burn depth as an LDI with a more economical and accessible application when embedded in a mobile device.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».