使用三潜阶级模型识别边界性气管瘤等级
Vinayak Prathikanti1, Renee Casentini1, Jonathan Hwang1
1F. I. Proctor Foundation, Department of Ophthalmology, University of California, San Francisco, California.
The American journal of tropical medicine and hygiene
|February 25, 2025
概括
隐性类分析确定了边缘性气管瘤病例,提高了分级的准确性. 这种方法增强了等级培训,并有助于AI模型开发用于气管瘤评估.
科学领域:
- 眼科医生 眼科 眼科
- 公共卫生 公共卫生
- 生物统计学 生物统计学
背景情况:
- 世界卫生组织 (WHO) 使用简化的分级系统来评估气管瘤.
- 准确的气管瘤分级是具有挑战性的,即使对于经验丰富的分级者来说,由于模两可的情况.
- 目前还没有一个明确的黄金标准来分类气管瘤.
研究的目的:
- 应用隐性类分析 (LCA) 来识别和表征气管瘤分类中的边界病例.
- 评估确定"边界"类对跨级别协议的影响.
- 探索LCA的实用性,作为一个概率的黄金标准来评估气管瘤.
主要方法:
- 隐性类分析 (LCA) 在200张上结膜的分级照片上进行.
- 十名训练有素的分级人员评估了轨道炎炎炎症 - 毛囊 (TF) 和轨道炎炎炎症 - 强烈 (TI).
- 与两类 (存在/缺席) 和三类 (包括边界类) 的LCA模型进行了比较. 科恩的kappa (κ) 评估了级别间协议.
主要成果:
- 一个包含"边界"类的三类LCA模型显著改善了TF (κ增加0.10) 和TI (κ增加0.13) 之间的级别间协议.
- 第三个隐藏类被确定为代表不一致或边界分级的情况.
- 将边界类纳入其中提高了轨道瘤分级的可靠性.
结论:
- 三类LCA有效地识别了气管瘤分级中的边界病例,提高了诊断精度.
- 这种方法可以为开发更平衡的等级认证考试提供信息.
- 多类LCA为眼科人工智能模型的培训和评估提供了潜在的概率黄金标准.


