Assistive AI in Lung Cancer Screening: A Retrospective Multinational Study in the United States and Japan
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
“Just Accepted” papers have undergone full peer review and have been accepted for publication in Radiology: Artificial Intelligence. This article will undergo copyediting, layout, and proof review before it is published in its final version. Please note that during production of the final copyedited article, errors may be discovered which could affect the content. Purpose To evaluate the impact of an artificial intelligence (AI) assistant for lung cancer screening (LCS) on multinational clinical workflows. Materials and Methods An AI assistant for LCS was evaluated on two retrospective randomized multireader multicase studies, where 627 (141 cancer positive) low-dose chest CT cases were each read twice (with and without AI assistance) by experienced thoracic radiologists (6 US-based or 6 Japan-based), resulting in a total of 7,524 interpretations. Positive cases were defined as those within two years before a pathology-confirmed lung cancer diagnosis. Negative cases were defined as those without any subsequent cancer diagnosis for at least two years and were enriched for a spectrum of diverse nodules. The studies measured the readers’ level of suspicion (LoS, on a 0–100 scale), country-specific screening system scoring categories, and management recommendations. Evaluation metrics included the area under the receiver operating characteristic curve (AUC) for LoS and sensitivity and specificity of recall recommendations. Results With AI assistance, the radiologists’ AUC increased by 0.023 (0.70 to 0.72, P = .02) for the US study and by 0.023 (0.93 to 0.96, P = .18) for the Japan study. Scoring system specificity for actionable findings increased 5.5% (57%–63%, P < .001) for the US study and 6.7% (23%–30%, P < .001) for the Japan study. There was no evidence of a difference in corresponding sensitivity between unassisted and AI-assisted reads for the US (67.3%–67.5%, P = .88) and Japan (98%–100%, P > .99) studies. Corresponding standalone AI AUC system performance was 0.75 95% CI [0.70–0.81] and 0.88 95%CI [0.78–0.97] for the US and Japan-based datasets, respectively. Conclusion The concurrent AI interface improved LCS specificity in both US and Japan-based reader studies, meriting further study in additional international screening environments. ©RSNA, 2024
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