Sex Estimation in Terms of Inclination and Alsberg in Proximal Femur by using Machine Learning Algorithms
Notice bibliographique
Résumé
The fact that the femur has a solid structure ensures that the integrity of the bone is preserved, making it favorable in the sex determination process. In this study, it was aimed to predict sex by using angular variables of femur from computed tomography (CT) images and machine learning algorithms. In this study, a total of 4 angular measurements, including the femoral inclination angle (FIA) and Alsberg angle (FAA) of the proximal femur on both sides, were evaluated on CT images of 88 female and 92 male adults. Logistic regression (LR) and classification and regression tree (CART) machine learning algorithms were used for sex diagnosis. 5-fold cross-validation method was used in the training and testing processes of the models. Model performances were evaluated with area under the ROC curve, Precision and Recall statistics. Of the 4 angle measurements evaluated, only the right side FIA mean was significantly higher in women (p=0.042). The sex diagnosis success of the LR model and the CART algorithm were found to be similar (p values 0.014 and 0.017, respectively). When the success criteria of each algorithm were examined, we saw that although sex estimation was significant, (Acc 0.61, Acc 0.60, respectively) they were not very successful. We found that the machine learning algorithms applied to the variables of proximal femur angle parameters gave low accuracy of sex and the effect of both models on sex estimation was similar.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».