Artificial Intelligence-Enabled Retinal Vasculometry at Scale Utilizing the UK Biobank, CLSA, and NEL DESP Datasets
Notice bibliographique
Résumé
Retinal imaging offers a non-invasive means to assess the circulatory system, with morphological features of retinal vessels serving as biomarkers for systemic disease. QUARTZ (QUantitative Analysis of Retinal vessel Topology and siZe) is a fully automated artificial intelligence-enabled retinal vasculometry system designed to process large-scale retinal image datasets to obtain quantitative measures of vessel morphology for use in epidemiological studies. Previously reliant on traditional image processing and machine learning, QUARTZ has now transitioned to a deep learning pipeline. Currently individually trained versions are tailored to specific datasets. Evaluation using the UK Biobank retinal dataset shows improvements in performance metrics: the F1 score for vessel segmentation increased from 0.7753 to 0.8472, accuracy for the A/V segment-level decision increased from 0.8524 to 0.9022, the detection rate for optic disc localization increased from 0.9760 to 0.9933, and the F1 score for image quality classification increased from 0.8872 to 0.9750. QUARTZ distinguishes itself from other deep learning based retinal vasculometry systems through its efficient use of data, extracting valuable information despite issues such as low levels of illumination. The high performance of QUARTZ is consistent across two other extensive retinal datasets, namely the Canadian Longitudinal Study on Aging (CLSA) and the North East London Diabetic Eye Screening Programme (NEL DESP). Evaluation on subsets was preceded by the automatic processing of entire retinal datasets by QUARTZ, processing over 1.4 million images. These retinal vasculometry outputs will serve as a valuable resource for epidemiological 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 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 | 0,000 |
| 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) | 0,001 | 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 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 ».