Integrating Retinal Segmentation Metrics with Machine Learning for Predictions from Mouse SD-OCT Scans
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».