Fully Automated Agatston Score Calculation From Electrocardiography-Gated Cardiac Computed Tomography Using Deep Learning and Multi-Organ Segmentation: A Validation Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
To evaluate deep learning-based calcium segmentation and quantification on ECG-gated cardiac CT scans compared with manual evaluation. Automated calcium quantification was performed using a neural network based on mask regions with convolutional neural networks (R-CNNs) for multi-organ segmentation. Manual evaluation of calcium was carried out using proprietary software. This is a retrospective study of archived data. This study used 40 patients to train the segmentation model and 110 patients were used for the validation of the algorithm. The Pearson correlation coefficient between the reference actual and the computed predictive scores shows high level of correlation (0.84; P < .001) and high limits of agreement (±1.96 SD; −2000, 2000) in Bland–Altman plot analysis. The proposed method correctly classifies the risk group in 75.2% and classifies the subjects in the same group. In total, 81% of the predictive scores lie in the same categories and only seven patients out of 110 were more than one category off. For the presence/absence of coronary artery calcifications, the deep learning model achieved a sensitivity of 90% and a specificity of 94%. Fully automated model shows good correlation compared with reference standards. Automating process reduces evaluation time and optimizes clinical calcium scoring without additional resources.
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.
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 | 0,000 |
| 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 découle