Consensus-based technical recommendations for clinical translation of renal ASL MRI
Notice bibliographique
Résumé
Abstract Objectives This study aimed at developing technical recommendations for the acquisition, processing and analysis of renal ASL data in the human kidney at 1.5 T and 3 T field strengths that can promote standardization of renal perfusion measurements and facilitate the comparability of results across scanners and in multi-centre clinical studies. Methods An international panel of 23 renal ASL experts followed a modified Delphi process, including on-line surveys and two in-person meetings, to formulate a series of consensus statements regarding patient preparation, hardware, acquisition protocol, analysis steps and data reporting. Results Fifty-nine statements achieved consensus, while agreement could not be reached on two statements related to patient preparation. As a default protocol, the panel recommends pseudo-continuous (PCASL) or flow-sensitive alternating inversion recovery (FAIR) labelling with a single-slice spin-echo EPI readout with background suppression and a simple but robust quantification model. Discussion This approach is considered robust and reproducible and can provide renal perfusion images of adequate quality and SNR for most applications. If extended kidney coverage is desirable, a 2D multislice readout is recommended. These recommendations are based on current available evidence and expert opinion. Nonetheless they are expected to be updated as more data become available, since the renal ASL literature is rapidly expanding.
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 | 0,523 | 0,627 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,006 |
| Bibliométrie | 0,012 | 0,005 |
| Études des sciences et des technologies | 0,005 | 0,007 |
| Communication savante | 0,011 | 0,010 |
| Science ouverte | 0,012 | 0,018 |
| Intégrité de la recherche | 0,012 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,008 |
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 ».