Interpretable Bayesian Modeling for Multireader Multicase Studies: Addressing Overdispersion and Limited Sample Size in Diagnostic Enhancement Evaluation
Rattachement africain : de. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
The advent of machine and deep learning in the medical domain has led to significant advancements in diagnostic workflows and clinical decision-making, making rigorous evaluation of novel techniques essential for their integration into clinical practice. In this work, we introduce a Bayesian hierarchical Beta-Binomial modeling framework for estimating the effect of novel techniques in binary classification, with a particular focus on multireader, multicase study designs, motivated by applications in medical imaging. Some challenges in this context include, small sample sizes (i.e., only few readers particicipating in the study), pronounced overdispersion due to heterogeneity in reader performance, and class-imbalanced datasets. Addiotionally, the actual effect size of the novel technique may be small, further complicating robust estimation of model parameters. The proposed model explicitly accounts for overdispersion, addresses class imbalance within the test cohort, and incorporates prior information to regularize population-level parameter estimates across readers. Through simulation studies, the approach demonstrates improved robustness and lower estimation error compared to classical linear models, especially under high overdispersion and low sample sizes. Application to a real-world study of chest X-ray imaging with and without Bone Suppression Imaging enhancement illustrates the model's practical utility and highlights the importance of accounting for overdispersion and prior information in study design and analysis.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Interpretable Bayesian Modeling for Multireader Multicase Studies: Addressing Overdispersion and Limited Sample Size in Diagnostic Enhancement Evaluation
- Date Crossref
- 01/07/2026
- Éditeur
- Wiley
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
University Hospital Leipzig pays non établi dans la noticeÉtablissement de santé
-
Leipzig University pays non établi dans la noticeUniversité ou école supérieure
-
Charité - Universitätsmedizin Berlin pays non établi dans la noticeÉtablissement de santé
-
Universität Hamburg pays non établi dans la noticeUniversité ou école supérieure
-
University Medical Center Hamburg-Eppendorf pays non établi dans la noticeÉtablissement de santé
-
Department of Interventional and Diagnostic Radiology University of Leipzig Leipzig Saxony Germany pays non établi dans la noticeUniversité ou école supérieure
-
Department of Diagnostic and Interventional Radiology and Nuclear Medicine Charité–University Medicine Berlin Germany pays non établi dans la noticeUniversité ou école supérieure
-
Department of Diagnostic and Interventional Radiology and Nuclear Medicine University Medical Center Hamburg‐Eppendorf Hamburg Germany pays non établi dans la noticeUniversité ou école supérieure
University Hospital Leipzig, Leipzig University et Charité - Universitätsmedizin Berlin, avec 5 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.