使用机器学习模型对椎脊椎成熟阶段的分类:利用具有高度观察者之间和观察者内部协议的数据集
Potjanee Kanchanapiboon1, Pitipat Tunksook2, Prinya Tunksook3
1Division of Nuclear Medicine, Department of Radiology, Faculty of Medicine Siriraj Hospital, Mahidol University, 2 Wang Lang Rd, Siriraj, Bangkok Noi, Bangkok, 10700, Thailand.
Progress in orthodontics
|September 15, 2024
概括
在共识性椎脊椎成熟阶段 (CVMS) 数据集上训练的机器学习模型实现了更高的准确性和更好的概括性. 这凸显了基于共识的高质量数据对于可靠的CVMS分类的重要性.
科学领域:
- ортодонтика和牙科人类学
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
背景情况:
- 准确评估椎脊椎成熟阶段 (CVMS) 对于正牙治疗规划至关重要.
- 之前的研究已经探索机器学习 (ML) 用于CVMS分类,但数据集质量仍然是一个问题.
- 基于共识的方法可以提高医学图像分析中数据注释的可靠性.
研究的目的:
- 通过特征选择来评估ML模型对CVMS分类的准确性和概括能力.
- 为了比较基于共识数据集训练的ML模型的性能,与单级数据集进行比较.
- 为了确定CVMS分类的重要特征,与既定指南相一致.
主要方法:
- 三位临床医生独立评估了1380个侧向脑图的CVMS,创造了共识 (完全同意,多数投票) 和单级数据集.
- 特性选择适用于椎骨 (C2-C4) 的地标和患者数据.
- 训练并测试了各种ML模型的性能和对未见数据的概括性.
主要成果:
- 基于共识的数据集产生了与CVMS指导方针一致的特征.
- 在完整协议数据集上的支持矢量机模型获得了最高的准确性 (77.4%).
- 与单一评分模型相比,在共识数据上训练的模型显示出更高的概括性 (更低的变化系数).
结论:
- 用基于共识的数据集训练的ML模型为CVMS分类提供了更高的准确性和概括性.
- 培训数据集的质量显著影响了ML模型在这个领域的性能和可靠性.
- 与共识数据相结合的特征选择增强了ML在CVMS评估中的临床适用性.
更多相关视频
12:59Three and Four-Dimensional Visualization and Analysis Approaches to Study Vertebrate Axial Elongation and Segmentation
Published on: February 28, 2021
3.7K
11:38Author Spotlight: Enhancing PSC-to-Functional Cell Differentiation Using ML Models Based on Live-Cell Bright-Field Imaging
Published on: October 4, 2024
503
