Response to the Letter to the Editor: “AI-Assisted IBD Severity Classification: A Critical Perspective on Current Evidence and Next Steps”
Notice bibliographique
Résumé
To the Editors, We appreciate the interest of Drs. Kumar, Mehta, and Sah in our recent publication “Artificial Intelligence for Classification of Endoscopic Severity of Inflammatory Bowel Disease: A Systematic Review and Critical Appraisal.”1 The following responses are offered. Application of artificial intelligence (AI) for the severity classification of Crohn’s disease (CD) is certainly complicated by the nature of the mucosal abnormalities seen on endoscopy. In CD, discontinuous lesions are seen throughout the gastrointestinal tract and are more heterogeneous than the comparatively uniform ulcerative colitis (UC) lesions. The ensuing challenges of lesion localization and location-based cumulative scoring may require creative machine-learning model design. In this respect, we are encouraged by the efforts that have already been demonstrated. Our original publication alludes to innovative approaches to characterizing full-length colonoscopy videos by groups like Fan et al., who developed an area-based score using the proportion of inflammation in each of the subdivided areas of the colon, and Higuchi et al., who generated topography maps of severity of the entire colorectum using capsule endoscopy.2,3 These approaches have been limited to UC to date but may inspire the design of models for severity grading of CD in future studies by providing a more holistic evaluation of the gastrointestinal tract rather than discrete snapshots.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».