Automatic artificial intelligence-based detection of cranial deformity in infants: Clinical validation of a novel smartphone tool
Bibliographic record
Abstract
La plagiocéphalie positionnelle est une forme de déformation crânienne infantile ayant des implications esthétiques importantes. L'aplatissement occipital prononcé, le déplacement de l'oreille ipsilatérale et le bossage frontal sont les principales constatations cliniques, les cas les plus graves entraînant une asymétrie faciale. Lorsqu'elles sont détectées à temps, les déformations positionnelles de la tête sont généralement réversibles grâce à un traitement (généralement le repositionnement, la physiothérapie et/ou le port d'un casque). L'incidence de la plagiocéphalie positionnelle n'a cessé d'augmenter depuis les années 1990, ce qui a suscité une augmentation des recherches sur les séquelles à long terme et les options de traitement. Bien que l'on sache que la plagiocéphalie n'affecte pas le développement neurocognitif de l'enfant, il existe des preuves substantielles suggérant qu'un diagnostic plus précoce permet d'améliorer considérablement les résultats du traitement (par exemple en évitant la nécessité d'une thérapie par casque), de réduire ou d'éliminer l'asymétrie faciale/crânienne et la stigmatisation sociale plus tard dans la vie. Dans l'ensemble, l'objectif de ce travail est de mieux comprendre les meilleures pratiques actuelles en matière de diagnostic de la plagiocéphalie positionnelle et d'établir la performance clinique d'un nouvel outil de diagnostic basé sur l'intelligence artificielle (IA). Ces objectifs sont atteints par le biais d'une revue exhaustive de la littérature et d'une étude prospective de validation clinique multi-sites. Tout d'abord, nous avons cherché à quantifier l'importance du diagnostic précoce de la plagiocéphalie positionnelle. Grâce à une analyse approfondie de la littérature, il a été démontré qu'un diagnostic précoce (de 2 à 3 mois seulement) permettait d'améliorer considérablement les conséquences financières, émotionnelles et cliniques d'un diagnostic de plagiocéphalie. Les résultats décrits dans ce manuscrit soulignent l'importance d'un diagnostic et d'une prise en charge précoces de la plagiocéphalie et éclairent le choix des modalités de diagnostic dans un contexte clinique donné. Ensuite, il était important de comprendre le paysage actuel des modalités de diagnostic qui peuvent aider les médecins à réaliser un diagnostic précoce de la plagiocéphalie. Une revue systématique a révélé 5 modalités de diagnostic (anthropométrie, plagiocéphalométrie, balayage laser 3D, photographie numérique et photogrammétrie 3D) décrites dans la littérature, ainsi qu'une tendance significative à la hausse dans la publication d'études impliquant l'intelligence artificielle et les smartphones après 2017. Nous présentons également un nouvel outil de diagnostic basé sur l'IA présentant de solides performances cliniques. Une étude de validation clinique a été menée sur 2 sites (la pouponnière des nouveau-nés de l'Hôpital Royal Victoria et la clinique de chirurgie craniofaciale de l'Hôpital de Montréal pour enfants) pour évaluer la performance clinique dudit outil de diagnostic basé sur l'IA pour la plagiocéphalie. Des nourrissons âgés de moins de 12 mois ont été recrutés et des photographies de leur tête avec vue plongeante ont été prises avec un iPhone 7 Plus, qui ont ensuite été soumises à un algorithme d'IA. Les résultats de l'IA comprenaient une image de la tête de l'enfant, des indices crâniens calculés automatiquement et une décision clinique sur le diagnostic (normal, plagiocéphalie), le côté (gauche, droit, brachycéphalie) et la gravité (légère, modérée, sévère). L'analyse statistique des résultats de l'IA a révélé une forte performance par rapport à une évaluation clinique de référence effectuée par un chirurgien cranio-facial pédiatrique expérimenté. En fin de compte, ce travail jette les bases d'une recherche future sur l'optimisation des outils de diagnostic intelligents, donnant un aperçu de l'impact potentiel de tels outils dans la communauté lorsqu'ils sont déployés à plus grande échelle
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".