MétaCan
Menu
Retour à la cohorte
Enregistrement W2779619969 · doi:10.1002/jmri.25926

To distinguish flexible and rigid lumbar curve from MRI texture analysis in adolescent idiopathic scoliosis: A feasibility study

2017· article· en· W2779619969 sur OpenAlexafffund
C. Chevrefils, Delphine Périé, Stefan Parent, Farida Chériet

Notice bibliographique

RevueJournal of Magnetic Resonance Imaging · 2017
Typearticle
Langueen
DomaineMedicine
ThématiqueScoliosis diagnosis and treatment
Établissements canadiensPolytechnique MontréalCentre Hospitalier Universitaire Sainte-Justine
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésSupine positionScoliosisMedicineLumbarLinear discriminant analysisPopulationOrthodonticsComputer scienceRadiologyArtificial intelligenceSurgery

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Imaging in side bending, supine, traction, fulcrum, and push prone are examples of methods used to evaluate the curve reduction of scoliotic spine. However, being able to determine spine curve flexibility from MRI would eliminate the need of additional X-ray radiation related to radiograph acquisition in side-bending. PURPOSE/HYPOTHESIS: To find specific texture features of lumbar postural muscles on MRI that can distinguish flexible from rigid lumbar scoliotic curves. We hypothesized that the changes occurring in postural muscles with scoliosis can be seen with MRI. STUDY TYPE: Retrospective study case control. POPULATION: With Institutional Review Board approval and informed consent, 15 adolescents with idiopathic scoliosis and scheduled for surgery were involved. FIELD STRENGTH/SEQUENCE: -weighted MR images were performed on a 1.5T system using a spin echo sequence in the axial direction. ASSESSMENT: The spinal erector, quadratus lumborum and psoas major muscles were analyzed using textural features. STATISTICAL TESTS: Principal component analysis (PCA) and agglomerative hierarchical clustering (AHC) were used to classify the lumbar postural muscles and calculate performance metrics. The lumbar flexibility index, measured from suspension tests, was used as ground truth measurement. RESULTS: The five discriminant features (out of 34 tested features) obtained from PCA were able to keep over 90% of the variability of the dataset. The right and left spinal erector and the left psoas major had the highest performance metrics to classify the spinal curve flexibility, with an accuracy over 0.80, a sensitivity over 0.82, a specificity over 0.68, and a Matthews correlation coefficient over 0.57. DATA CONCLUSION: This study analyzed MRI using texture information of muscle to distinguish flexible from rigid scoliotic curves. Some postural muscle such as the spinal erector and the psoas major are more likely to reflect the curve flexibility of a scoliotic participant. LEVEL OF EVIDENCE: 2 Technical Efficacy: Stage 1 J. Magn. Reson. Imaging 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 machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,033
Tête enseignante GPT0,344
Écart entre enseignants0,312 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Magnetic Resonance ImagingMême sujetScoliosis diagnosis and treatmentTravaux en français237 207