Poster Session I: Leveraging AI to accelerate scientific discoveries
Notice bibliographique
Résumé
We introduce a structured approach that leverages AI to accelerate scientific discoveries. We showcase the efficacy of this technique via a proof-of-concept study identifying markers of sex in retinal images. Our methodology consists of four stages: In Phase 1, CNN development, we train a VGG model to recognize patient sex from retinal images. Phase 2, Inspiration, involves reviewing post-hoc interpretation tools' visualizations to draw observations and formulate exploratory hypotheses regarding the CNN model's decision process. This yielded 14 testable hypotheses related to potential variances in vasculature and optic disc. In Phase 3, Exploration, we test these hypotheses on an independent dataset, of which nine demonstrated significant differences. In Phase 4, Verification, five out of nine these nine hypotheses are re-tested on a new dataset, verifying five of them: significantly greater length, more nodes and branches of retinal vasculature, a larger area covered by vessels in the superior temporal quadrant, and a darker peri-papillary region in male eyes. Finally, we conducted a psychophysical study and trained a group of ophthalmologists (N=26) to identify these new retinal features for sex classification. Their performance, initially on par with chance and a non-expert group (N=31), significantly improved post-training (p<.001, d=2.63). These outcomes illustrate the potential of our methodology in leveraging AI applications for retinal biomarker discovery.
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 | 0,007 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,030 | 0,015 |
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 ».