Diagnosis of placenta accreta spectrum using ultrasound texture feature fusion and machine learning
Notice bibliographique
Résumé
INTRODUCTION: Placenta accreta spectrum (PAS) is an obstetric disorder arising from the abnormal adherence of the placenta to the uterine wall, often leading to life-threatening complications including postpartum hemorrhage. Despite its significance, PAS remains frequently underdiagnosed before delivery. This study delves into the realm of machine learning to enhance the precision of PAS classification. We introduce two distinct models for PAS classification employing ultrasound texture features. METHODS: The first model leverages machine learning techniques, harnessing texture features extracted from ultrasound scans. The second model adopts a linear classifier, utilizing integrated features derived from 'weighted z-scores'. A novel aspect of our approach is the amalgamation of classical machine learning and statistical-based methods for feature selection. This, coupled with a more transparent classification model based on quantitative image features, results in superior performance compared to conventional machine learning approaches. RESULTS: Our linear classifier and machine learning models attain test accuracies of 87 % and 92 %, and 5-fold cross validation accuracies of 88.7 (4.4) and 83.0 (5.0), respectively. CONCLUSIONS: The proposed models illustrate the effectiveness of practical and robust tools for enhanced PAS detection, offering non-invasive and computationally-efficient diagnostic tools. As adjunct methods for prenatal diagnosis, these tools can assist clinicians by reducing the need for unnecessary interventions and enabling earlier planning of management strategies for delivery.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».