Understanding disease processes in multiple sclerosis through magnetic resonance imaging studies in animal models
Notice bibliographique
Résumé
There are exciting new advances in multiple sclerosis (MS) resulting in a growing understanding of both the complexity of the disorder and the relative involvement of grey matter, white matter and inflammation. Increasing need for preclinical imaging is anticipated, as animal models provide insights into the pathophysiology of the disease. Magnetic resonance (MR) is the key imaging tool used to diagnose and to monitor disease progression in MS, and thus will be a cornerstone for future research. Although gadolinium-enhancing and T2 lesions on MRI have been useful for detecting MS pathology, they are not correlative of disability. Therefore, new MRI methods are needed. Such methods require validation in animal models. The increasing necessity for MRI of animal models makes it critical and timely to understand what research has been conducted in this area and what potential there is for use of MRI in preclinical models of MS. Here, we provide a review of MRI and magnetic resonance spectroscopy (MRS) studies that have been carried out in animal models of MS that focus on pathology. We compare the MRI phenotypes of animals and patients and provide advice on how best to use animal MR studies to increase our understanding of the linkages between MR and pathology in patients. This review describes how MRI studies of animal models have been, and will continue to be, used in the ongoing effort to understand MS.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 tête enseignante, 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 ».