Groupe pour l’Avancement de la Microchirurgie Canada (GAM) Abstracts presented at the 43 <sup>rd</sup> Annual Meeting / 43 <sup>e</sup> Réunion annuelle June 19, 2024 Halifax, NS / N-É
Notice bibliographique
Résumé
PURPOSE: The current gold standard for free flap monitoring is clinical examination, the accuracy of which is dependent on the assessor.The purpose of this study is to demonstrate the validity of data augmentation using artificial intelligence (AI) generated images of postoperative free flaps and assess the effectiveness of a custom-trained AI model in assessing free flap viability.METHOD: Images of postoperative free flaps were obtained from a literature search and labelled as healthy or congested.The dataset was split into a 80:20 ratio for training and testing.To expand the training dataset, data augmentation was done by creating images of flaps using Midjourney, a generative image AI software.Two attending plastic surgeons graded the quality of each AI flap image on a scale of 1 to 5; only those with a total score of 10 were included.Microsoft Azure AI, an image recognition service, was used to train and test the model on the dataset.For each test image, a probability of 80% or higher was considered a correct answer.RESULT: Seventy-one flap images were collected -58 images (30 healthy, 28 congested) were used for training and 13 images (7 healthy, 6 congested) were used for testing.Thirty images of flaps
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 | 0,004 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».