Analyzing clinical variables indicative of uveal melanoma to determine how they affect decisions made by an artificial intelligence classifier
Notice bibliographique
Résumé
OBJECTIVE: The "black box" nature of many artificial intelligence (AI) models has limited their adoption in real-world ophthalmologic practices. Our lab developed an AI model for detecting the presence of a choroidal melanocytic lesion (CML) in colour fundus images. The purpose of this article is to investigate whether there are known clinical features of CMLs that are associated with false-negative (FN) classifications from the model to aid in validation and increase its interpretability. METHODS: A retrospective cohort study of CML patients was performed. A total of 388 fundus images from 194 patients with (n = 194) and without (n = 194) CMLs collected through routine clinical assessment were used to train an AI model. The model's classification (lesion present/lesion absent) of the images with CMLs, as well as CML characteristics, demographics, and risk factors for uveal melanoma (UM) were extracted. Logistic regression models were used to test for associations between the FN classifications and these characteristics. RESULTS: The AI model returned 150 true-positive classifications and 44 FN classifications (23%) for CML eyes. Thinner lesions were more likely to be missed by the model (p = 0.026), resulting in a FN classification. The presence of imaging risk factors for UM was not shown to have any statistically significant relationships with a FN classification. CONCLUSIONS: The results from this study demonstrate that the FN classifications for CML fundus image classifications from our AI model are not associated with the presence of imaging risk factors for UM but are influenced by thinness of the lesion.
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 | 0,004 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».