C.2 Muscular MRI pattern recognition for muscular dystrophies: the era of artificial intelligence beyond a systematic review
Notice bibliographique
Résumé
Background: Genetic neuromuscular diseases (NMD) are a heterogeneous group of disorders comprised hundreds of genes. Despite the advanced genetic testing modalities, about 40 % of patients with NMD do not have a diagnosis. Muscle MRI has been proven as a useful tool to orientate the genetic testing by looking at the muscle involvement severity pattern. Moreover, muscle MRI patterns can be specific and informative for muscular dystrophies and yet can be characteristic and diagnostic. Methods: Systematic review was conducted to review muscle MRI patters for all Limb Girdle Muscle Dystrophies (LGMD). Then, we applied artificial intelligence (AI) on muscle MRI patterns for LGMDs and other NMDs using open database containing muscle MRIs Mercuri scores from 950 individuals. Results: AI and machine learning were applied on 10 types of NMD muscle MRI Mercuri scores that represented muscle involvement based on the degree of fatty infiltration. Different models were generated, the one with highest accuracy was used. When tested on new patients, it achieved a 90% accuracy. Subsequently, was turned into a mobile application. Conclusions: Muscle MRI is a valuable tool to help in NMD diagnosis. Specific muscle involvement pattern can be predictive. Besides, AI facilitates the interpretation and comprehension of muscle imagining in NMD.
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 | 0,005 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,010 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».