Classification of the quality of canine and feline ventrodorsal and dorsoventral thoracic radiographs through machine learning
Notice bibliographique
Résumé
Thoracic radiographs are an essential diagnostic tool in companion animal medicine and are frequently used as a part of routine workups in patients presenting for coughing, respiratory distress, cardiovascular diseases, and for staging of neoplasia. Quality control is a critical aspect of radiology practice in preventing misdiagnosis and ensuring consistent, accurate, and reliable diagnostic imaging. Implementing an effective quality control procedure in radiology can impact patient outcomes, facilitate clinical decision-making, and decrease healthcare costs. In this study, a machine learning-based quality classification model is suggested for canine and feline thoracic radiographs captured in both ventrodorsal and dorsoventral positions. The problem of quality classification was divided into collimation, positioning, and exposure, and then an automatic classification method was proposed for each based on deep learning and machine learning. We utilized a dataset of 899 radiographs of dogs and cats. Evaluations using fivefold cross-validation resulted in an F1 score and AUC score of 91.33 (95% CI: 88.37-94.29) and 91.10 (95% CI: 88.16-94.03), respectively. Results indicated that the proposed automatic quality classification has the potential to be implemented in radiology clinics to improve radiograph quality and reduce nondiagnostic images.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».