Predicting Therapeutic Response to Hypoglossal Nerve Stimulation Using Deep Learning
Notice bibliographique
Résumé
OBJECTIVES: To develop and validate machine learning (ML) and deep learning (DL) models using drug-induced sleep endoscopy (DISE) images to predict the therapeutic efficacy of hypoglossal nerve stimulator (HGNS) implantation. METHODS: Patients who underwent DISE and subsequent HGNS implantation at a tertiary care referral center were included. Six DL models and five ML algorithms were trained on images from the base of tongue (BOT) and velopharynx (VP) from patients classified as responders or non-responders as defined by Sher's criteria (50% reduction in apnea-hypopnea index (AHI) and AHI < 15 events/h). Precision, recall, F1 score, and overall accuracy were evaluated as measures of performance. RESULTS: In total, 25,040 images from 127 patients were included, of which 16,515 (69.3%) were from responders and 8,262 (30.7%) from non-responders. Models trained on the VP dataset had greater overall accuracy when compared to BOT alone and combined VP and BOT image sets, suggesting that VP images contain discriminative features for identifying therapeutic efficacy. The VCG-16 DL model had the best overall performance on the VP image set with high training accuracy (0.833), F1 score (0.78), and recall (0.883). Among ML models, the logistic regression model had the greatest accuracy (0.685) and F1 score (0.813). CONCLUSION: Deep neural networks have potential to predict HGNS therapeutic efficacy using images from DISE, facilitating better patient selection for implantation. Development of multi-institutional data and image sets will allow for development of generalizable predictive models. LEVEL OF EVIDENCE: NA Laryngoscope, 134:5210-5216, 2024.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».