Tissue Classification After Bone-Anchored Hearing Implant Surgery: A Machine Learning Approach to Monitoring Skin Response
Notice bibliographique
Résumé
HYPOTHESIS: Here, we aim to 1) expand the available evidence for the use of machine learning techniques for soft tissue classification after BCD surgery and 2) discuss the implications of such approaches toward the development of classification applications to aid in tissue monitoring. BACKGROUND: The application of machine learning techniques in the soft tissue literature has become a large field of study. One of the most commonly reported outcomes after percutaneous bone-conduction device (BCD) surgery is soft tissue health. Unfortunately, the classification of tissue around the abutment as healthy versus not healthy is a subjective process, even though such decisions can have implications for treatment (i.e., topical steroid versus surgical revision) and resources (e.g., clinician time). METHODS: We built and tested a convolutional neural network (CNN) model for the classification of tissues that were rated as "green" (i.e., healthy), "yellow" (i.e., unhealthy minor), and "red" (i.e., unhealthy severe). METHODS: Representative image samples were gathered from a regional bone-conduction amplification site (N = 398; 181 samples of green; 144 samples of yellow; 73 samples of red). The image samples were cropped, zoomed, and normalized. Feature extraction was then implemented and used as the input to train an advanced CNN model. RESULTS: Accuracy of image classification for the healthy ("green") versus not healthy ("yellow" and "red") model was approximately 87%. Accuracy of image classification for the unhealthy ("yellow") versus unhealthy ("red") model was approximately 94%. CONCLUSIONS: Monitoring tissue health is an ongoing challenge for BCD users and their clinicians not trained in soft tissue management (e.g., audiologists). If machine learning can aid in the classification of tissue health, this would have significant implications for stakeholders. Here we discuss how machine learning can be applied to tissue classification as a potential technological aid in the coming years.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».