Deep Learning with Disc Photos or OCT Scans in Glaucoma Detection
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
Objective: To determine whether a deep learning (DL) model using retinal nerve fiber layer thickness (RNFLT) maps from OCT scans can detect glaucoma, defined by functional visual field (VF) impairment, more accurately than a DL model using disc photos (DPs). A secondary objective was to assess the diagnostic performance of these DL models across demographic groups (race, sex, and ethnicity). Design: Retrospective cohort study at a tertiary glaucoma center utilizing OCT and DP datasets collected between 2011 and 2022. Participants: Out of the 16 936 DP and OCT image sets, patients with Cirrus OCT images with a quality score ≥6 of 10 and reliable 24-2 Humphrey VF tests (fixation loss ≤33%, false-negative rate ≤20%, false-positive rate ≤20%), taken within 30 days of OCT, were included. Disc photos were obtained within 6 months of OCT. Data were randomly selected for training and testing of the DL models. Testing: Development of DL models utilizing either OCT RNFLT maps or DPs to detect glaucoma based on VF-defined functional impairment. Main Outcome Measures: The primary outcome was the area under the curve (AUC) for glaucoma detection, comparing the OCT-based DL model with the DP-based model. The secondary outcome was the AUC across demographic groups. Results: < 0.005). Conclusions: When glaucoma diagnosis was based on functional deficit, the OCT-based DL model offered greater accuracy in detecting glaucoma than the DP-based model, likely due to its use of objective and quantitative RNFLT measurements. This work supports the use of OCT-based DL models for glaucoma detection, while observed demographic disparities underscore the need for equitable datasets to ensure fair DL-driven glaucoma diagnosis across populations. Financial Disclosures: Proprietary or commercial disclosure may be found in the Footnotes and Disclosures at the end of this article.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 découle