Predicting early symptomatic osteoarthritis in the human knee using machine learning classification of magnetic resonance images from the osteoarthritis initiative
Notice bibliographique
Résumé
ABSTRACT The purpose of this study is to evaluate the ability of a machine learning algorithm to classify in vivo magnetic resonance images (MRI) of human articular cartilage for development of osteoarthritis (OA). Sixty‐eight subjects were selected from the osteoarthritis initiative (OAI) control and incidence cohorts. Progression to clinical OA was defined by the development of symptoms as quantified by the Western Ontario and McMaster Universities Arthritis (WOMAC) questionnaire 3 years after baseline evaluation. Multi‐slice T 2 ‐weighted knee images, obtained through the OAI, of these subjects were registered using a nonlinear image registration algorithm. T 2 maps of cartilage from the central weight bearing slices of the medial femoral condyle were derived from the registered images using the multiple available echo times and were classified for “progression to symptomatic OA” using the machine learning tool, weighted neighbor distance using compound hierarchy of algorithms representing morphology (WND‐CHRM). WND‐CHRM classified the isolated T 2 maps for the progression to symptomatic OA with 75% accuracy. Clinical significance: Machine learning algorithms applied to T 2 maps have the potential to provide important prognostic information for the development of OA. © 2017 Orthopaedic Research Society. Published by Wiley Periodicals, Inc. J Orthop Res 35:2243–2250, 2017.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».