Automated Method for Growing Rod Length Measurement on Ultrasound Images in Children With Early Onset Scoliosis
Notice bibliographique
Résumé
OBJECTIVE: To develop and validate machine learning algorithms to automatically extract the rod length of the magnetically controlled growing rod from ultrasound images (US) in a pilot study. METHODS: Two machine-learning (ML) models, called the "Boundary model" and "Rod model," were developed to identify specific rod segments on ultrasound images. The models were developed utilizing Mask Regional Convolutional Neural Networks (Mask RCNN). Ninety US images were acquired from 23 participants who had early onset scoliosis (EOS) surgeries; among those, 70 were used for model development, including training and validation, and 20 were used for testing by comparing the AI-based vs. manual measurements. RESULTS: The average precision (AP) of the ML models was 88.5% and 60.2%, respectively. The inter-method correlation coefficient (ICC) was 0.98, and the mean absolute difference ± standard deviation (MAD ± SD) between AI and manual measurements was 0.86 ± 1.0 mm. The Bland-Altman analysis showed no bias, and 90% of the data were within the 95% confidence interval. The automated method was reliable, accurate, and fast. Measurements were displayed in 4.6 seconds after the US image was inputted. CONCLUSION: This was the first AI-based method to measure the MCGR rod length on US images automatically.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».