Feasibility of a Support Vector Machine Classifier for Myofascial Pain Syndrome: Diagnostic Case‐Control Study
Notice bibliographique
Résumé
OBJECTIVES: Myofascial pain syndrome (MPS) is the most common cause of chronic pain worldwide. The diagnosis of MPS is subjective, which has created a need for a robust quantitative method of diagnosing MPS. We propose that using a support vector machine (SVM) along with ultrasound (US) texture features can differentiate between healthy and MPS-affected skeletal muscle. METHODS: B-mode US video data were collected in the upper trapezius muscle of healthy (29) participants and patients with active (21) and latent (19) MPS, using an acquisition method outlined in previous works. Regions of interest were extracted and filtered to obtain a unique set of 917 images where texture features were extracted from each region of interest to characterize each image. These texture features were then used to train 4 separate binary SVM classifiers using nested cross-validation to implement feature selection and hyperparameter tuning. The performance of each kernel was estimated on the data and validated through testing on a final holdout set. RESULTS: The radial basis function kernel classifier had the greatest Matthews correlation coefficient performance estimate of 0.627 ± 0.073 (mean ± SD) along with the largest area under the curve of 91.0% ± 3.0%. The final holdout test for the radial basis function classifier resulted in 86.96 accuracy, a Matthews correlation coefficient of 0.724, 88% sensitivity, and 86% specificity, validating our earlier performance estimates. CONCLUSIONS: We have demonstrated that specific US texture features that have been used in other computer-aided diagnostic literature are feasible to use for the classification of healthy and MPS muscle using a binary SVM classifier.
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 | 0,002 | 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 | 0,000 | 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) | 0,000 | 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 ».