Application of Machine Learning and Deep EfficientNets in Distinguishing Neonatal Adrenal Hematomas From Neuroblastoma in Enhanced Computed Tomography Images
Notice bibliographique
Résumé
Background: The aim of the study was to employ a combination of radiomic indicators based on computed tomography (CT) imaging and machine learning (ML), along with deep learning (DL), to differentiate between adrenal hematoma and adrenal neuroblastoma in neonates. Methods: A total of 76 neonates were included in this retrospective study (40 with neuroblastomas and 36 with adrenal hematomas) who underwent CT and divided into a training group (n = 38) and a testing group (n = 38). The regions of interest (ROIs) were segmented by two radiologists to extract radiomics features using Pyradiomics package. ML classifications were done using support vector machine (SVM), AdaBoost, Extra Trees, gradient boosting, multi-layer perceptron (MLP), and random forest (RF). EfficientNets was employed and classified, based on radiometrics. The area under curve (AUC) of the receiver operating characteristic (ROC) was calculated to assess the performance of each model. Results: Among all features, the least absolute shrinkage and selection operator (LASSO) logistic regression selected nine features. These radiomics features were used to construct radiomics model. In the training cohort, the AUCs of SVM, MLP and Extra Trees models were 0.967, 0.969 and 1.000, respectively. The corresponding AUCs of the test cohort were 0.985, 0.971 and 0.958, respectively. In the classification task, the AUC of the DL framework was 0.987. Conclusion: ML decision classifiers and DL framework constructed from CT-based radiomics features offered a non-invasive method to differentiate neonatal adrenal hematoma from neuroblastoma and performed better than the clinical experts.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».