Clinical quantitative susceptibility mapping (QSM): Biometal imaging and its emerging roles in patient care
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Quantitative susceptibility mapping (QSM) has enabled magnetic resonance imaging (MRI) of tissue magnetic susceptibility to advance from simple qualitative detection of hypointense blooming artifacts to precise quantitative measurement of spatial biodistributions. QSM technology may be regarded to be sufficiently developed and validated to warrant wide dissemination for clinical applications of imaging isotropic susceptibility, which is dominated by metals in tissue, including iron and calcium. These biometals are highly regulated as vital participants in normal cellular biochemistry, and their dysregulations are manifested in a variety of pathologic processes. Therefore, QSM can be used to assess important tissue functions and disease. To facilitate QSM clinical translation, this review aims to organize pertinent information for implementing a robust automated QSM technique in routine MRI practice and to summarize available knowledge on diseases for which QSM can be used to improve patient care. In brief, QSM can be generated with postprocessing whenever gradient echo MRI is performed. QSM can be useful for diseases that involve neurodegeneration, inflammation, hemorrhage, abnormal oxygen consumption, substantial alterations in highly paramagnetic cellular iron, bone mineralization, or pathologic calcification; and for all disorders in which MRI diagnosis or surveillance requires contrast agent injection. Clinicians may consider integrating QSM into their routine imaging practices by including gradient echo sequences in all relevant MRI protocols. LEVEL OF EVIDENCE: 1 Technical Efficacy: Stage 5 J. Magn. Reson. Imaging 2017;46:951-971.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,000 | 0,001 |
| 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 découle