Machine-learning tool for classifying pulmonary hypertension via expert reader-provided CT features: An educational resource for non-dedicated radiologists
Notice bibliographique
Résumé
PURPOSE: Pulmonary hypertension (PH) is a complex disease classified into five groups (I-V) by the European Society of Cardiology/European Respiratory Society (ESC/ERS) guidelines. Chest contrast-enhanced computed tomography (CECT) is crucial in the non-invasive PH assessment. This study aimed to develop a machine learning (ML)-based educational resource for classifying PH cases via CECT according to ESC/ERS groups. METHODS: We retrospectively included 172 PH patients who underwent CECT at two University Hospitals (Udine and Brescia). Three chest-devoted radiologists independently reviewed the CECTs, reporting on 13 features, including lung conditions, heart abnormalities, chronic thromboembolism, and mediastinal findings. Readers assigned the features as absent/present except for the left atrium (LA) anteroposterior diameter (measured in millimeters) and classified PH cases I-V with likelihood scores (1-100 %) for each group. The majority decisions for features and average LA diameter were used as ML inputs. The highest average likelihood scores determined group assignments, serving as ground truth. Various ML algorithms were tested using the Weka software and evaluated by accuracy, area under the ROC curve (AUROC), and F1-score. RESULTS: After excluding three group V patients to avoid imbalance, the Naïve-Bayes algorithm showed 0.72 accuracy, 0.84 AUROC, and 0.72 F1-score. Accuracy values for group I-IV were 0.75, 0.78, 0.51, 0.79; AUROC values were 0.78, 0.84, 0.86, 0.87; F1-scores were 0.63, 0.79, 0.61, 0.84, respectively. CONCLUSIONS: This study is the first to develop an ML-driven tool for classifying PH via chest CECT. While performance metrics require improvement, including the need for a larger sample size, the resource can potentially train non-dedicated radiologists in PH classification, supporting multidisciplinary reasoning.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 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 ».