Deep Learning-Based CT Imaging to Evaluate the Therapeutic Effects of Acupuncture and Moxibustion Therapy on Knee Osteoarthritis
Notice bibliographique
Résumé
The study was aimed at analyzing the application value of deep learning-based computed tomography (CT) in evaluating the effect of acupuncture for knee osteoarthritis (KOA). Specifically, 124 patients with KOA were selected in the test group (warm acupuncture and moxibustion) and the control group (simple acupuncture), with 62 cases in each group. Deep learning-based CT scanning was performed before and after treatment to compare the Lequesne-Mery, Visual Analog Scale (VAS), Western Ontario and McMaster Universities (WOMAC), Hospital Special Surgery (HSS), and Knee Society Score (KSS) scores as well as the overall effective rate. The results showed that the trabecular thickness, quantity, bone mineral density (BMD), connection density, structural model index, and articular cartilage thickness were different significantly between the two groups ( P < 0.05 ). After treatment, the Lequesne-Mery was 4.78, the VAS was 0.87, and the WOMAC score was 14.89 of the test group, which were reduced ( P < 0.05 ). The KSS and HSS scores of the test group were improved significantly after treatment ( P < 0.05 ). The total effective rate of the test group was 85.48%, and that of the control group was 51.61%; the former was significantly higher than the latter ( P < 0.05 ). In conclusion, acupuncture could improve the clinical effect on KOA patients, and CT scanning under deep learning algorithm could evaluate the clinical effect of acupuncture for KOA.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 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 ».