Comparing Artificial Intelligence Guided Image Assessment to Current Methods of Burn Assessment
Notice bibliographique
Résumé
Appropriate identification of burn depth and size is paramount. Despite the development of burn depth assessment aids [eg, laser Doppler imaging (LDI)], clinical assessment, which assesses partial-thickness burn depth with 67% accuracy, currently remains the most consistent standard of practice. We sought to develop an image-based artificial intelligence system that predicts burn severity and wound margins for use as a triaging tool in thermal injury management. Modified EfficientNet architecture trained by 1684 mobile-device-captured images of different burn depths was previously used to create a convoluted neural network (CNN). The CNN was modified to a novel boundary attention mapping (BAM) algorithm using elements of saliency mapping, which was used to recognize the boundaries of burns. For validation, 144 patient charts that included clinical assessment, burn location, total body surface area, and LDI assessment were retrieved for a retrospective study. The clinical images underwent CNN-BAM assessment and were directly compared with the LDI assessment. CNN using a 4-level burn severity classification achieved an accuracy of 85% (micro/macro-averaged receiver operating characteristic scores). The CNN-BAM system can successfully highlight burns from surrounding tissue with high confidence. CNN-BAM burn area segmentations attained a 91.6% accuracy, 78.2% sensitivity, and 93.4% specificity, when compared to LDI methodology. Results comparing the CNN-BAM outputs to clinical and LDI assessments have shown a high degree of correlation between the CNN-BAM burn severity predictions to those extrapolated from LDI healing potential (66% agreement). CNN-BAM algorithm gives equivalent burn-depth detection accuracy as LDI with a more economical and accessible application when embedded in a mobile device.
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».