Phenotyping of lumbosacral stenosis in Labrador retrievers using computed tomography
Notice bibliographique
Résumé
Abstract Deep phenotyping tools for characterizing preclinical morphological conditions are important for supporting genetic research studies. Objectives of this retrospective, cross‐sectional, methods comparison study were to describe and compare qualitative and quantitative deep phenotypic characteristics of lumbosacral stenosis in Labrador retrievers using computed tomography (CT). Lumbosacral CT scans and medical records were retrieved from data archives at three veterinary hospitals. Using previously published qualitative CT diagnostic criteria, a board‐certified veterinary radiologist assigned dogs as either lumbosacral stenosis positive or lumbosacral stenosis negative at six vertebral locations. A second observer independently measured vertebral canal area, vertebral fat area, and vertebral body area; and calculated ratios of vertebral canal area/vertebral body area and vertebral fat area/vertebral body area (fat area ratio) at all six locations. Twenty‐five dogs were sampled (lumbosacral stenosis negative, 11 dogs; lumbosacral stenosis positive, 14 dogs). Of the six locations, cranial L6 was the most affected by lumbosacral stenosis (33%). Five of six dogs (83%) with clinical signs of lumbosacral pain were lumbosacral stenosis positive at two or more levels. All four quantitative variables were significantly smaller at the cranial aspects of the L6 and L7 vertebral foramina than at the caudal aspects (P< 0.0001). Fat area ratio was a significant predictor of lumbosacral stenosis positive status at all six locations with cranial L6 having the greatest predictive value (R2= 0.43) and range of predictive probability (25–90%). Findings from the current study supported the use of CT as a deep phenotyping tool for future research studies of lumbosacral stenosis in Labrador retrievers.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».