Comparing the accuracy of computer-aided detection (CAD) software and radiologists from multiple countries for tuberculosis detection in chest X-Rays
Notice bibliographique
Résumé
Nearly a third of TB cases go undetected annually. WHO recommends computer-aided detection (CAD) to enhance TB screening, with studies showing comparable performance to local radiologists. Using 774 chest X-rays from the South African National TB Prevalence Survey, we compared 12 CAD software with 11 radiologists from Nigeria, India, the UK, and the US, against a composite microbiological reference standard. Sensitivity, specificity and Cohen's kappa were calculated. Receiver-operating characteristic curves were developed for CAD and Euclidean distance assessed radiologists' alignment with the best-performing software. Binomial regression tested the impact of radiologists' characteristics on accuracy. Radiologist performance varied. On the restricted read, British radiologists had the highest sensitivity (78.7% [73.2-83.5%]) and Indian radiologists the lowest (67.1% [61.0-72.8%]). Specificity ranged from 75.8% (71.8-79.4%, Nigeria) to 84.3% (80.9-87.3%, the US). Radiologist performance was significantly impacted by HIV, prior TB, and age. The top CAD outperformed all except Indian radiologists when matching specificity. CAD with Conformité Européenne generally matched or surpassed radiologists. British radiologists' sensitivity was closest to the top CAD, while American radiologists were closest in specificity and overall. Experience, TB reads, and country had no significant impact on accuracy. CAD performed well against radiologists globally, highlighting potential to enhance access to care.
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 | 0,003 |
| 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) | 0,000 | 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 ».