Prediction of Scoliosis Progression in Time Series Using a Hybrid Learning Technique
Notice bibliographique
Résumé
Scoliosis is a common and poorly understood spinal disorder that is clinically monitored with a series of full spinal X-rays. The purpose of this study was to predict scoliosis future progression at 6- and 12-month intervals with successive spinal indices and a hybrid learning technique (i.e., the combination of fuzzy c-means clustering and artificial neural network (ANN)). Ultimately this could decrease scoliotic patients' radiation exposure and the associated cancer risk in growing adolescents. Seventy-two data sets were derived from a database of 56 acquisitions from 11 subjects (29.8 +/- 9.6 degrees Cobb angle, 11.4 +/- 2.4 yr), each consisting of 4 sequential values of Cobb angle and lateral deviations at apices in 6- and 12-month intervals in the coronal plane. Progression patterns in Cobb angles (n = 10) and lateral deviations (n = 8) were successfully identified using a fuzzy c-means clustering algorithm. The accuracies of the trained ANN, having a structure of three input variables, four nonlinear hidden nodes, and one linear output variable, for training and test data sets were within 3.64 degrees (+/- 2.58 degrees) and 4.40 degrees (+/- 1.86 degrees) of Cobb angles, and within 3.59 (+/-3.96) mm and 3.98 (+/- 3.41) mm of lateral deviations, respectively. Those results were twice the accuracy of typical clinical measurement (~10 degrees) and in close agreement with those using cubic spline extrapolation and adaptive neuro-fuzzy inference system (ANFIS) techniques. The adapted technique for predicting the scoliosis deformity progression holds significant promise for clinical applications.
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
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».