Artificial intelligence software for detecting unsuspected lung cancer on chest radiographs in an asymptomatic population
Notice bibliographique
Résumé
Abstract Background Detecting clinically unsuspected lung cancer on chest radiographs is challenging. Artificial intelligence (AI) software that performs comparably to radiologists may serve as a useful tool. Purpose To evaluate the lung cancer detection performance of a commercially available AI software and to that of humans in a healthy population. Materials and Methods This retrospective study used chest radiographs from the Prostate, Lung, Colorectal, and Ovarian (PLCO) cancer screening trial in the United States between November 1993 and July 2001 with pathological cancer diagnosis follow-up to 2009 (median 11.3 years). The software's predictions were compared to the PLCO radiologists' reads. A reader study was performed with a subset comparing the software to 3 experienced radiologists. Results The analysis included 24 370 individuals (mean age 62.6±5.4; median age 62; cancer rate 2%), with 213 individuals (mean age 63.6±5.5; median age 63; cancer rate 46%) for the reader study. AI achieved higher specificity (0.910 for AI vs. 0.803 for radiologists, P < .001), positive predictive value (0.054 for AI vs. 0.032 for radiologists, P < .001), but lower sensitivity (0.326 for AI vs. 0.412 for radiologists, P = .001) than the PLCO radiologists. When we calibrated the sensitivity of AI to match it with the PLCO radiologists, AI had higher specificity (0.815 for AI vs. 0.803 for radiologists, P < .001). In the reader study, AI achieved higher sensitivity than readers 1 and 3 (0.608 for AI vs. 0.588 for reader 1, P = .789 vs. 0.588 for reader 3, P = .803) but lower specificity than reader 1 (0.888 for AI vs. 0.905 for reader 1, P = .814). Compared to reader 2, AI showed higher specificity (0.888 for AI vs. 0.819 for reader 2, P = .153) but lower sensitivity (0.888 for AI vs. 0.905 for reader 1, P = .814). Conclusion AI detects lung cancer on chest radiographs among asymptomatic individuals with comparable performance to experienced radiologists.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».