OP07.05: Artificial intelligence to detect pouch of Douglas obliteration from magnetic resonance imaging by combining unpaired transvaginal ultrasound videos
Notice bibliographique
Résumé
Endometriosis is a common disorder that has many characteristics, including the pouch of Douglas (POD) obliteration, which can be diagnosed using transvaginal ultrasound (TVUS) and magnetic resonance imaging (MRI). TVUS and MRI are complementary, non-invasive endometriosis diagnosis imaging techniques, but patients are usually not scanned using both modalities. Furthermore, it is generally more challenging to detect POD obliteration from MRI than TVUS. To mitigate this imbalance, this research aimed to create a knowledge distillation training algorithm to improve the POD obliteration detection from MRI, by leveraging the detection results from unpaired TVUS data. A machine learning model was pretrained using 8,984 unlabelled MRIs of the female pelvis. The algorithm was then fine tuned with 89 labelled MRI, performed specifically for investigation of endometriosis. Following this, 749 unpaired labelled TVUS videos demonstrating the uterine ‘sliding sing’ were introduced, to distil the knowledge from the teacher TVUS POD obliteration detector to train the student MRI model. The inclusion of the unpaired TVUS videos increased detection of POD obliteration from MRI with our machine learning model. This multimodal analysis method improved the Area Under the Curve (AUC) from 65.0% to 90.6%. Pretraining using digital data from different imaging modalities can improve the diagnosis of POD obliteration. By using a multimodal approach to creating machine learning models, diagnostic accuracy of POD obliteration was able to be improved by utilising unpaired eTVUS videos to pretrain MRI models.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».