Automated Diagnosis of Bone Metastasis by Classifying Bone Scintigrams Usinga Self-defined Deep Learning Model
Notice bibliographique
Résumé
BACKGROUND: Patients with cancer can develop bone metastasis when a solid tumor invades the bone, which is the third most commonly affected site by metastatic cancer, after the lung and liver. The early detection of bone metastases is crucial for making appropriate treatment decisions and increasing survival rates. Deep learning, a mainstream branch of machine learning, has rapidly become an effective approach to analyzing medical images. OBJECTIVE: To automatically diagnose bone metastasis with bone scintigraphy, in this work, we proposed to cast the bone metastasis diagnosis problem into automated image classification by developing a deep learning-based automated classification model. METHODS: A self-defined convolutional neural network consisting of a feature extraction sub-network and feature classification sub-network was proposed to automatically detect lung cancer bone metastasis, with a feature extraction sub-network extracting hierarchal features from SPECT bone scintigrams and feature classification sub-network classifying high-level features into two categories (i.e., images with metastasis and without metastasis). RESULTS: Using clinical data of SPECT bone scintigrams, the proposed model was evaluated to examine its detection accuracy. The best performance was achieved if the two images (i.e., anterior and posterior scans) acquired from each patient were fused using pixel-wise addition operation on the bladder-excluded images, obtaining the best scores of 0.8038, 0.8051, 0.8039, 0.8039, 0.8036, and 0.8489 for accuracy, precision, recall, specificity, F-1 score, and AUC value, respectively. CONCLUSION: Tc MDP in the urinary bladder has a negative impact on automated diagnosis of bone metastasis. It is recommended to remove the urinary bladder before automated analysis.
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 | 0,007 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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 ».