Development of Image Overlay and Knowledge Transfer Module Technologies Aimed at Enhancing Feasibility and External Validation of Magnetic Resonance Imaging-based Scoring Systems
Notice bibliographique
Résumé
OBJECTIVE: Semiquantitative arthritis scoring assesses disease burden by scoring presence/extent of features such as bone marrow lesion (BML) or effusion in multiple anatomic regions at a joint. An image overlay clarifying region borders may enhance feasibility and reliability of these scoring systems. To be scalable for use in large clinical trials, systematic computer-based user training is desirable. We developed an overlay and user training module for magnetic resonance imaging (MRI)-based scoring of hip osteoarthritis (OA). METHODS: We designed a semitransparent 2-dimensional image overlay applied to individual MRI slices to facilitate hip OA scoring [HIMRISS (Hip Inflammation MRI Scoring System)], initially using freeware and then in a customized HTML Web browser environment. We developed a systematic knowledge translation package including instructional presentation, fully scored expert consensus cases, and video tutorials for training in the use of these scoring systems with the overlays. Three musculoskeletal radiologists who had not used this scoring system before each performed a scoring exercise with no overlay, then repeated this with overlays after completing the training module. Based on postexercise interviews and a reader survey, we identified and corrected problems in the module. The entire training process was then repeated using 3 new readers. RESULTS: Overlays were considered useful, particularly when integrated into a Web browser. The knowledge translation module was considered conceptually valuable, but as initially implemented was too lengthy and not sufficiently interactive. CONCLUSION: Semitransparent image overlays and standardized knowledge translation modules for reader training show promise to facilitate reader calibration using MRI-based scoring systems. Based on our experience, knowledge translation modules should emphasize close feedback evaluating performance and reader time efficiency.
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 | 0,013 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».