Integrating Retinal Segmentation Metrics with Machine Learning for Predictions from Mouse SD-OCT Scans
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
PURPOSE: This study aimed to initially test whether machine learning approaches could categorically predict two simple biological features, mouse age and mouse species, using the retinal segmentation metrics. METHODS: The retinal layer thickness data obtained from C57BL/6 and DBA/2J mice were processed for machine learning after segmenting mouse retinal SD-OCT scans. Twenty-two models were trained to predict the mouse groups. The best neural network model was optimized for better outcomes. Prediction accuracy, the area under the curve, sensitivity, specificity, precision, and F-1 score values were obtained. RESULTS: = 0.005 for all). For C57BL/6-DBA/2J classification, a mean validation accuracy of 88.11 ± 3.92% (95% CI: 86.99-89.22) was achieved for the neural network when the optimized neural network had 92.31% final test accuracy with an area under the curve value of 0.9762, 94.44% sensitivity, 90.48% specificity, 89.47% precision, and 0.92 F-1 score. The optimized neural network model for age group differentiation had a final test accuracy of 82.05% with a 0.9064 area under the curve value, 77.27% sensitivity, 88.24% specificity, 89.47% precision, and 0.83 F-1 score. CONCLUSIONS: These findings validate that machine learning, using segmentation metrics instead of images, can effectively analyze retinal OCT scans in mice for categorical predictions in experimental models. Expanding this approach with additional features, including histopathological and functional correlations, is expected to improve the prediction power further, promising valuable applications to predict more complex outcomes in experimental and clinical studies.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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