Replacing experts with student raters for assessing knee recess distension in ultrasound images of adult patients
Notice bibliographique
Résumé
This study investigates the feasibility of replacing expert ratings with those from trained students in medical imaging research, specifically focusing on adult knee recess distension in ultrasound images. Expert radiologists provide high precision, but their limited availability and high cost can restrict scalability for large datasets. Ten university students with limited prior experience received structured training from a professional sonographer. The training included foundational knowledge of knee recess distension, segmentation practice using Label Studio software, and guidance on submission protocols. Students segmented ultrasound images from 25 patients diagnosed with recess distension, with each student performing three segmentations per image. An expert radiologist segmented the same images to establish a benchmark. Metrics such as Coefficient of Variation (CV), Intraclass Correlation Coefficient (ICC), and Root Mean Square Error (RMSE) were used to assess the accuracy and consistency of the students’ ratings compared to the expert. A simulation further evaluated the impact of variability and aggregation size on accuracy. Most students achieved ICC values above 0.80, indicating good to excellent agreement with the expert. Some students showed moderate agreement (ICC = 0.76) and higher RMSE values, reflecting variability in performance. The simulation revealed that aggregation reduces RMSE, though it eventually reaches a saturation point. For low-variability student ratings (CV = 0.55), accuracy comparable to expert benchmarks was achievable with smaller groups. Higher variability required larger groups, and in some cases, the lowest expert CV benchmarks (CV = 0.2) were unattainable. Trained student raters have the potential to serve as cost-effective alternatives to expert radiologists in large-scale imaging studies. By optimizing training and leveraging aggregation, student raters can achieve accuracy approaching expert levels, offering a scalable solution for resource-limited settings in medical imaging research.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».