A deep learning model for diagnosis of inherited retinal diseases
Notice bibliographique
Résumé
To evaluate the performance of a multi-input deep learning (DL) model in detecting two common inherited retinal diseases (IRDs), i.e. retinitis pigmentosa (RP) and Stargardt disease (STGD), and differentiating them from healthy eyes. This cross-sectional study includes 391 cases, consisting of 158 subjects with RP, 62 patients with STGD, and 171 healthy individuals. The image dataset is publicly available at http://en.riovs.sbmu.ac.ir/Access-to-Inherited-Retinal-Diseases-Image-Bank . Separate networks using the same hyperparameters were trained and tested on the dataset. Two single-input MobileNetV2 networks were employed for color fundus photography (CFP) and infrared (IR) images, and a multi-input MobileNetV2 network was applied using both imaging modalities simultaneously. The single-input MobileNetV2 achieved 94.44% diagnostic accuracy using CFP, and 94.44% accuracy employing IR images, respectively. The multi-input MobileNetV2 network outperformed both single-input networks with an accuracy of 96.3%. The impact of single-input and multi-input architectures was further evaluated on state-of-the-art neural network models and machine learning algorithms. The deep learning networks utilized in this study achieved high performance for detection of IRDs. Application of a multi-input network employing both CFP and IR image inputs improves the overall performance of the model and its diagnostic accuracy.
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 | 0,001 |
| 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 ».