Intra-System Repeatability of S-Detect for Breast Ultrasound Classification on Identical Static Images: A Single-Center Retrospective Repeatability Study (Preprint)
Notice bibliographique
Résumé
Background: Computer-aided diagnostic systems such as S-Detect (Samsung Medison) are increasingly integrated into breast ultrasound workflows. Notwithstanding extensive past evaluation of S-Detect's diagnostic accuracy, its intrasystem repeatability at the software level with identical static images, a fundamental prerequisite for clinical reliability, has not been systematically investigated. Objective: This study aimed to evaluate the intrasystem repeatability of the S-Detect computer-aided diagnostic system in classifying breast nodules in identical static ultrasound images. Methods: This retrospective, registered, blinded repeatability study analyzed 398 breast nodules from 261 women (mean age 43.10, SD 12.57 years) who underwent surgery between February 2019 and March 2020 at a single institution. Identical stored static ultrasound images, acquired by a single experienced sonographer on 1 Samsung RS80A ultrasound system, were each analyzed twice using the same S-Detect workstation: immediately after acquisition (S-Detect 1) and again at least 4 weeks later under blinded conditions with manual cursor repositioning (S-Detect 2). Repeatability was assessed using concordance rate and Cohen κ. The diagnostic performance of each run was compared against surgical histopathology. Results: Of 398 nodules, 156 (39.2%) were initially classified as possibly benign, and 242 (60.8%) were initially classified as possibly malignant. On repeat analysis, 37.4% (149/398) and 62.6% (249/398) of the nodules were classified as possibly benign and malignant, respectively. A total of 4.5% (7/156) of the nodules initially classified as benign were reclassified as malignant, whereas no malignant-to-benign changes occurred. The overall concordance rate was 98.2% (391/398), with a Cohen κ of 0.95 (95% CI 0.94-0.99; P<.001). Diagnostic performance remained stable across runs (area under the curve=0.913 vs 0.902; P=0.702). Conclusions: Under controlled conditions with identical static images, S-Detect showed high intrasystem repeatability, underscoring strong software-level consistency, although its translation to real-world clinical reproducibility requires further validation.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | low |
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 | 0,008 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».