Automated breast ultrasound features associated with diagnostic performance of a multiview convolutional neural network according to the level of experience of radiologists
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract To investigate automated breast ultrasound (ABUS) features affecting the use of a multiview convolutional neural network (CNN) for breast lesions according to the level of experience of radiologists. A total of 656 breast lesions (152 malignant and 504 benign lesions) were included and reviewed by 6 radiologists for background echotexture, glandular tissue component (GTC), and lesion type and size without as well as with a multiview CNN. The sensitivity, specificity, and the area under the receiver operating curve (AUC) for ABUS features were compared between 2 sessions according to the level of the radiologists’ experience. Radiology residents showed significant AUC improvement with the multiview CNN for mass (0.81–0.91, P=0.003) and non-mass lesions (0.56–0.90, P=0.007), all background echotextures (homogeneous-fat: 0.84–0.94, P=0.04; homogeneous-fibroglandular: 0.85–0.93, P=0.01; heterogeneous: 0.68–0.88, P=0.002), all GTC levels (minimal: 0.86–0.93, P=0.001; mild: 0.82–0.94, P=0.003; moderate: 0.75–0.88, P=0.01; marked: 0.68–0.89, P<0.001), and lesions ≤10mm (≤5mm: 0.69–0.86, P<0.001; 6–10mm: 0.83–0.92, P<0.001). Breast specialists showed significant AUC improvement with the multiview CNN in heterogeneous echotexture (0.90–0.95, P=0.03), marked GTC (0.88–0.95, P<0.001), and lesions ≤10mm (≤5mm: 0.89–0.93, P=0.02; 6–10mm: 0.95–0.98, P=0.01). With the multiview CNN, ABUS performance among radiology residents was improved regardless of lesion type, background echotexture, or GTC. For breast lesions smaller than 10mm, both radiology residents and breast specialists achieved better ABUS performance.
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.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 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 découle