Artificial Intelligence Algorithm Can Predict Lymph Node Malignancy from Endobronchial Ultrasound Transbronchial Needle Aspiration Images for Non-Small Cell Lung Cancer
Notice bibliographique
Résumé
INTRODUCTION: Endobronchial ultrasound transbronchial needle aspiration (EBUS-TBNA) for lung cancer staging is operator dependent, resulting in high rates of non-diagnostic lymph node (LN) samples. We hypothesized that an artificial intelligence (AI) algorithm can consistently and reliably predict nodal metastases from the ultrasound images of LNs when compared to pathology. METHODS: In this analysis of prospectively recorded B-mode images of mediastinal LNs during EBUS-TBNA, we used transfer learning to build an end-to-end ensemble of three deep neural networks (ResNet152V2, InceptionV3, and DenseNet201). Model hyperparameters were tuned, and the optimal version(s) of each model was trained using 80% of the images. A learned ensemble (multi-layer perceptron) of the optimal versions was applied to the remaining 20% of the images (Test Set). All predictions were compared to the final pathology from nodal biopsies and/or surgical specimen. RESULTS: A total of 2,569 LN images from 773 patients were used. The Training Set included 2,048 LNs, of which 70.02% were benign and 29.98% were malignant on pathology. The Testing Set included 521 LNs, of which 70.06% were benign and 29.94% were malignant on pathology. The final ensemble model had an overall accuracy of 80.63% (95% confidence interval [CI]: 76.93-83.97%), 43.23% sensitivity (95% CI: 35.30-51.41%), 96.91% specificity (95% CI: 94.54-98.45%), 85.90% positive predictive value (95% CI: 76.81-91.80%), 79.68% negative predictive value (95% CI: 77.34-81.83%), and AUC of 0.701 (95% CI: 0.646-0.755) for malignancy. CONCLUSION: There now exists an AI algorithm which can identify nodal metastases based only on ultrasound images with good overall accuracy, specificity, and positive predictive value. Further optimization with larger sample sizes would be beneficial prior to clinical application.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».