Improved Detection of New MS Lesions during Follow-Up Using an Automated MR Coregistration-Fusion Method
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: MR imaging is the key examination in the follow-up of patients with MS, by identification of new high-signal T2 brain lesions. However, identifying new lesions when scrolling through 2 follow-up MR images can be difficult and time-consuming. Our aim was to compare an automated coregistration-fusion reading approach with the standard approach by identifying new high-signal T2 brain lesions in patients with multiple sclerosis during follow-up MR imaging. MATERIALS AND METHODS: This prospective monocenter study included 94 patients (mean age, 38.9 years) treated for MS with dimethyl fumarate from January 2014 to August 2016. One senior neuroradiologist and 1 junior radiologist checked for new high-signal T2 brain lesions, independently analyzing blinded image datasets with automated coregistration-fusion or the standard scroll-through approach with a 3-week delay between the 2 readings. A consensus reading with a second senior neuroradiologist served as a criterion standard for analyses. A Poisson regression and logistic and γ regressions were used to compare the 2 methods. Intra- and interobserver agreement was assessed by the κ coefficient. RESULTS: There were significantly more new high-signal T2 lesions per patient detected with the coregistration-fusion method (7 versus 4, P < .001). The coregistration-fusion method detected significantly more patients with at least 1 new high-signal T2 lesion (59% versus 46%, P = .02) and was associated with significantly faster overall reading time (86 seconds faster, P < .001) and higher reader confidence (91% versus 40%, P < 1 × 10−4). Inter- and intraobserver agreement was excellent for counting new high-signal T2 lesions. CONCLUSIONS: Our study showed that an automated coregistration-fusion method was more sensitive for detecting new high-signal T2 lesions in patients with MS and reducing reading time. This method could help to improve follow-up care.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».