Non-contiguous Computed Tomography Lung Scans Can be Manipulated to Permit Artificial Intelligence Analyses for Interstitial Lung Disease in Systemic Sclerosis
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
Abstract Artificial intelligence (AI) can analyse high-resolution CT lung scans (HRCT) in various interstitial lung diseases (ILDs), including systemic sclerosis (SSc). Older HRCT lung scans may have been saved as small DICOM file sets consisting of non-contiguous slices. These are not amenable to AI analyses. Our aim was to develop and test a method of rebuilding small non-contiguous sets of HRCT lung slices into larger sets of contiguous slices that could be analysed by AI programs. We deleted sets of DICOM files from 14 large DICOM file set scans from SSc patients and were left with a scan with about 30 equidistant non-contiguous slices. We then inserted copies of scans between each pair of slices to create a large DICOM file set similar in size to the original large file set scan. Both the original scan and the rebuilt large DICOM file set scan were analysed by Contextflow ADVANCE Chest CT. We recorded the values for honeycombing (HC), reticular pattern (RP), ground glass opacities (GGO), and total ILD. We analysed agreement between the original scan and the rebuilt large DICOM file set scan using intraclass correlation coefficient (ICC), Lin’s concordance correlation coefficient (CCC), Bland–Altman limits-of-agreement (LOA) plots and the Bradley–Blackwood P-value. ICC, CCC, Bradly–Blackwood P-values and Bland–Altman plots showed excellent agreement between scans for HC, RC, GGO, and total ILD except for the Bradley–Blackwood P-value for RP. Non-contiguous HRCT small DICOM file set lung scans in SSc can be manipulated to allow analysis by AI.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,001 |
| 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