Machine Learning Techniques for Automated Segmentation of Kidneys and Cysts in Autosomal Dominant Polycystic Kidney Disease: A Systematic Review
Notice bibliographique
Résumé
Background: Autosomal Dominant Polycystic Kidney Disease (ADPKD) is the most common hereditary kidney disease. Total kidney volume (TKV) is used clinically as a prognostic biomarker, so its accurate determination is critical to determine treatment eligibility or inclusion into clinical studies. Recently, machine learning techniques have been applied to ADPKD to better segment kidneys or cysts. We performed a systematic review of machine learning models applied to ADPKD kidney and cyst segmentation. Methods: We conducted a literature search using relevant search terms including ADPKD, imaging, kidney or cyst segmentation, and machine learning techniques. The last search date was May 12, 2022. Studies were screened for relevance prior to inclusion in the systematic review. We identified seventeen studies. Two were excluded as they involved mouse models. We examined the patient and disease characteristics included in these studies, as well as the machine learning technique employed, and whether any external validation was performed. Results: Of the fifteen human studies eligible for inclusion (n=5243 kidney images[SJ1]), one used 3D ultrasound (n=66), three used CT images (n=502), and the remaining 11 used MR images (n=4675). The study sizes ranged from 11 up to 1445 patients, with 13 to 2400 scans. Four studies used axial cuts and 11 studies used coronal cuts to develop their model. The majority of models employed an artificial neural network approach; however, some studies utilized and compared the performance of different machine learning techniques. Only one study developed a model to segment kidney cysts. All models achieved high dice coefficient, sensitivity, specificity or recall when comparing with manual segmentation. Only one study performed external validation using a different cohort. Conclusions: Various machine learning techniques can accurately automate kidney segmentation in patients with ADPKD. Most studies relied on a small sample size and only one performed external validation. Whether these automated segmentation models can be deployed in a clinical environment or can outperform estimated TKV remains to be determined.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,009 |
| Bibliométrie | 0,013 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».