Accurate assessment of LV function using the first automated 2D-border detection algorithm for small animals - evaluation and application to models of LV dysfunction
Notice bibliographique
Résumé
Echocardiography is the most commonly applied technique for non-invasive assessment of cardiac function in small animals. Manual tracing of endocardial borders is time consuming and varies with operator experience. Therefore, we aimed to evaluate a novel automated two-dimensional software algorithm (Auto2DE) for small animals and compare it to the standard use of manual 2D-echocardiographic assessment (2DE). We hypothesized that novel Auto2DE will provide rapid and robust data sets, which are in agreement with manually assessed data of animals.2DE and Auto2DE were carried out using a high-resolution imaging-system for small animals. First, validation cohorts of mouse and rat cine loops were used to compare Auto2DE against 2DE. These data were stratified for image quality by a blinded expert in small animal imaging. Second, we evaluated 2DE and Auto2DE in four mouse models and four rat models with different cardiac pathologies.Automated assessment of LV function by 2DE was faster than conventional 2DE analysis and independent of operator experience levels. The accuracy of Auto2DE-assessed data in healthy mice was dependent on cine loop quality, with excellent agreement between Auto2DE and 2DE in cine loops with adequate quality. Auto2DE allowed for valid detection of impaired cardiac function in animal models with pronounced cardiac phenotypes, but yielded poor performance in diabetic animal models independent of image quality.Auto2DE represents a novel automated analysis tool for rapid assessment of LV function, which is suitable for data acquisition in studies with good and very good echocardiographic image quality, but presents systematic problems in specific pathologies.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».