Deep learning-based prediction of nodal metastasis in lung cancer using endobronchial ultrasound
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Objective: Endobronchial ultrasound-guided transbronchial needle aspiration is a vital tool for mediastinal and hilar lymph node staging in patients with lung cancer. Despite its high diagnostic performance and safety, it has a limited negative predictive value. Our objective was to evaluate the diagnostic performance of deep learning-based prediction of lung cancer lymph node metastases using convolutional neural networks developed from automatically extracted images of endobronchial ultrasound videos without supervision of the lymph node location. Methods: Patient and lymph node data were collected from a single-center database. The diagnosis of metastasis was confirmed with endobronchial ultrasound-guided transbronchial needle aspiration and/or surgically resected specimens; the diagnosis of normal lymph node was confirmed with surgically resected specimens only. An annotation system facilitated automated image extraction from endobronchial ultrasound videos. Image frames were randomly selected and split into training and validation datasets on a per-patient basis. A deep learning model with convolutional neural networks, SqueezeNet, was used for image classification via transfer learning based on pretraining from ImageNet. Adaptive moment estimation and stochastic gradient descent were applied as optimizers. Results: SqueezeNet, with adaptive moment estimation, achieved a sensitivity, specificity, accuracy, positive predictive value, and negative predictive value of 96.7% each after 300 epochs, whereas SqueezeNet with stochastic gradient descent achieved 91.1% each. However, SqueezeNet with stochastic gradient descent demonstrated more stable performance than with adaptive moment estimation. Conclusions: Deep learning-based image classification using convolutional neural networks showed promising diagnostic accuracy for lung cancer nodal metastasis. Future clinical trials are warranted to validate the algorithm's efficacy in a prospective, large-cohort study.
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.
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 découle