Deep Learning Models Used in the Diagnostic Workup of Keratoconus: A Systematic Review and Exploratory Meta-Analysis
Notice bibliographique
Résumé
PURPOSE: The prevalence of keratoconus in the general population is reported to be up to 1 of 84. Over the past 2 decades, diagnosis and management evolved rapidly, but keratoconus screening in clinical practice is still challenging and asks for improving the accuracy of keratoconus detection. Deep learning (DL) offers considerable promise for improving the accuracy and speed of medical imaging interpretation. We establish an inventory of studies conducted with DL algorithms that have attempted to diagnose keratoconus. METHODS: This systematic review was conducted according to the recommendations of the PRISMA statement. We searched (Pre-)MEDLINE, Embase, Science Citation Index, Conference Proceedings Citation Index, arXiv document server, and Google Scholar from inception to February 18, 2022. We included studies that evaluated the performance of DL algorithms in the diagnosis of keratoconus. The main outcome was diagnostic performance measured as sensitivity and specificity, and the methodological quality of the included studies was assessed using QUADAS-2. RESULTS: Searches retrieved 4100 nonduplicate records, and we included 19 studies in the qualitative synthesis and 10 studies in the exploratory meta-analysis. The overall study quality was limited because of poor reporting of patient selection and the use of inadequate reference standards. We found a pooled sensitivity of 97.5% (95% confidence interval, 93.6%-99.0%) and a pooled specificity of 97.2% (95% confidence interval, 85.7%-99.5%) for topography images as input. CONCLUSIONS: Our systematic review found that the overall diagnostic performance of DL models to detect keratoconus was good, but the methodological quality of included studies was modest.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,009 | 0,003 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,001 |
| 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 ».