Machine Learning Classification of Articular Cartilage Integrity Using Near Infrared Spectroscopy
Notice bibliographique
Résumé
Abstract Introduction Assessment of cartilage integrity during arthroscopy is limited by the subjective visual nature of the technique. To address this shortcoming in diagnostic evaluation of articular cartilage, near infrared spectroscopy (NIRS) has been proposed. In this study, we evaluated the capacity of NIRS, combined with machine learning techniques, to classify cartilage integrity. Methods Rabbit ( n = 14) knee joints with artificial injury, induced via unilateral anterior cruciate ligament transection (ACLT), and the corresponding contra-lateral (CL) joints, including joints from separate non-operated control (CNTRL) animals ( n = 8), were used. After sacrifice, NIR spectra (1000–2500 nm) were acquired from different anatomical locations of the joints ( n TOTAL = 313: n CNTRL = 111, n CL = 97, n ACLT = 105). Machine and deep learning methods (support vector machines–SVM, logistic regression–LR, and deep neural networks–DNN) were then used to develop models for classifying the samples based solely on their NIR spectra. Results The results show that the model based on SVM is optimal of distinguishing between ACLT and CNTRL samples (ROC_AUC = 0.93, kappa = 0.86), LR is capable of distinguishing between CL and CNTRL samples (ROC_AUC = 0.91, kappa = 0.81), while DNN is optimal for discriminating between the different classes (multi-class classification, kappa = 0.48). Conclusion We show that NIR spectroscopy, when combined with machine learning techniques, is capable of holistic assessment of cartilage integrity, with potential for accurately distinguishing between healthy and diseased cartilage.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».