Harnessing Machine Learning for Ocular Disease Detection: Performance Evaluation of Gradient Boosting Models
Notice bibliographique
Résumé
The risk of vision loss can be reduced by early diagnosis of ocular diseases and hence better patient outcomes. As the ophthalmic imaging data continues to increase, machine learning (ML) techniques are being used as effective method in elaborated disease diagnosis. The paper is dedicated to the implementation of the Gradient Boosting Models (GBMs) to the accurate discrimination and detection of different ocular diseases according to the fundus images features and patient metadata. The dataset which contained clinical characteristics like the age, sex, fundus images of both the eyes and related diagnostic keywords were examined. Data pre-processing and feature engineering have been performed to maximize the quality of data and derive the patterns of interest. Stratified k-fold cross-validation was used to provide robustness as well as avoiding over fitting using the GBM algorithm. The most important parameters by which the performance of the models was tested consisted of accuracy, precision, recall, Fl-score, and the area under the receiver operating characteristic curve (AUC-ROC). Findings indicate that GBMs have good diagnostic precision and generalizability rates concerning various ocular disorders. The present study presents the opportunity offered by ensemble learning, GBM in particular, to help ophthalmologists by giving them automated, trusted diagnostic support. The results can support applying ML models with interpretable behaviour to the clinical workflow to ensure the early diagnosis and treatment strategy in ophthalmology.
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 | 0,003 | 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 | 0,001 | 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 ».