Diagnosis of Rib Fracture Using Artificial Intelligence on Chest CT Images of Patients with Chest Trauma
Notice bibliographique
Résumé
Purpose: To determine the pros and cons of an artificial intelligence (AI) model developed to diagnose acute rib fractures in chest CT images of patients with chest trauma. Materials and Methods: = 50]) were selected among patients with chest trauma. Among 1159 acute rib fracture CT images, 9 were randomly selected for AI model training. 150 acute rib fracture CT images and 50 normal ones were tested, and the remaining 1000 acute rib fracture CT images was internally verified. We investigated the diagnostic accuracy and errors of AI model for the presence and location of acute rib fractures. Results: Sensitivity, specificity, positive and negative predictive values, and accuracy for diagnosing acute rib fractures in chest CT images were 93.3%, 94%, 97.9%, 82.5%, and 95.6% respectively. However, the accuracy of the location of acute rib fractures was low at 76% (760/1000). The cause of error in the diagnosis of acute rib fracture seemed to be a result of considering the scapula or clavicle that were in the same position (66%) or some ribs that were not recognized (34%). Conclusion: The AI model for diagnosing acute rib fractures showed high accuracy in detecting the presence of acute rib fractures, but diagnosis of the exact location of rib fractures was limited.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».