Magnetic resonance imaging of obesity and metabolic disorders: Summary from the 2019 ISMRM Workshop
Notice bibliographique
Résumé
More than 100 attendees from Australia, Austria, Belgium, Canada, China, Germany, Hong Kong, Indonesia, Japan, Malaysia, the Netherlands, the Philippines, Republic of Korea, Singapore, Sweden, Switzerland, the United Kingdom, and the United States convened in Singapore for the 2019 ISMRM-sponsored workshop on MRI of Obesity and Metabolic Disorders. The scientific program brought together a multidisciplinary group of researchers, trainees, and clinicians and included sessions in diabetes and insulin resistance; an update on recent advances in water-fat MRI acquisition and reconstruction methods; with applications in skeletal muscle, bone marrow, and adipose tissue quantification; a summary of recent findings in brown adipose tissue; new developments in imaging fat in the fetus, placenta, and neonates; the utility of liver elastography in obesity studies; and the emerging role of radiomics in population-based "big data" studies. The workshop featured keynote presentations on nutrition, epidemiology, genetics, and exercise physiology. Forty-four proffered scientific abstracts were also presented, covering the topics of brown adipose tissue, quantitative liver analysis from multiparametric data, disease prevalence and population health, technical and methodological developments in data acquisition and reconstruction, newfound applications of machine learning and neural networks, standardization of proton density fat fraction measurements, and X-nuclei applications. The purpose of this article is to summarize the scientific highlights from the workshop and identify future directions of work.
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 | 0,006 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,013 |
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 ».