Enhancing diagnosis of gout with deep learning in dual-energy computed tomography: a retrospective analysis of crystal and artefact differentiation
Notice bibliographique
Résumé
OBJECTIVES: To evaluate whether the application of deep learning (DL) could achieve high diagnostic accuracy in differentiating between green colour coding, indicative of tophi, and clumpy artefacts observed in dual-energy computed tomography (DECT) scans. METHODS: A comprehensive analysis of 18,704 regions of interest (ROIs) extracted from green foci in DECT scans obtained from 47 patients with gout and 27 gout-free controls was performed. The ROIs were categorized into three size groups: small, medium, and large. Convolutional neural network (CNN) analysis on a per-lesion basis and support vector machine (SVM) analysis on a per-patient basis were performed. The area under the receiver operating characteristic curve, sensitivity, specificity, positive predictive value, and negative predictive value of the models were compared. RESULTS: For small ROIs, the sensitivity and specificity of the CNN model were 81.5% and 96.1%, respectively; for medium ROIs, 82.7% and 96.1%, respectively; for large ROIs, 91.8% and 86.9%, respectively. Additionally, the DL algorithm exhibited accuracies of 88.5%, 88.6%, and 91.0% for small, medium, and large ROIs, respectively. In the per-patient analysis, the SVM approach demonstrated a sensitivity of 87.2%, a specificity of 100%, and an accuracy of 91.8% in distinguishing between patients with gout and gout-free controls. CONCLUSION: Our study demonstrates the effectiveness of the DL algorithm in differentiating between green colour coding indicative of crystal deposition and clumpy artefacts in DECT scans. With high sensitivity, specificity, and accuracy, the utilization of DL in DECT for diagnosing gout enables precise lesion classification, facilitating early-stage diagnosis and promoting timely intervention approaches.
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 | 0,001 |
| 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 ».