Hybrid reflected‐ultrasound computed tomography versus B‐mode‐ultrasound for muscle scoring in spinal muscular atrophy
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Novel light- and sound-based technologies like multispectral optoacoustic tomography (MSOT) with co-registered reflected-ultrasound computed tomography (RUCT) could add additional value to conventional ultrasound (US) for disease phenotyping in pediatric spinal muscular atrophy (SMA). The aim of this study was to investigate the quality of RUCT compared to US for qualitative and quantitative assessment of imaging neuromuscular disorders. METHODS: Subanalyzing the MSOT SMA study, 288 RUCT and 276 US images from 10 SMA patients (mean age 9.0 ± 3.7) and 10 gender- and age-matched healthy volunteers (HV; mean age 8.7 ± 4.3) were analyzed for quantitative (grayscale levels [GSLs]) and qualitative (echogenicity, distribution pattern, Heckmatt scale, and muscle texture) muscle changes. RUCT and US measures were further correlated with clinical standard motor outcomes. RESULTS: Quantitative agreement using GSLs revealed significantly higher GSLs in muscles of SMA patients compared to healthy muscles in both techniques (US mean GSL [SD] SMA vs. HV: 110.70 [27.8] vs. 68.85 [19.2], p < .0001; RUCT mean GSL [SD] SMA vs. HV: 91.81 [21.8] vs. 59.86 [8.2], p < .0001) with good correlation with motor outcome tests, respectively. Qualitative agreement between methods for muscle composition was excellent for differentiation of pathological versus healthy muscles, echogenicity, and distribution pattern, moderate for Heckmatt scale, and poor for muscle texture. CONCLUSIONS: The data suggest that RUCT may allow the assessment of basic qualitative and quantitative measures for muscular diseases with comparable results to conventional US.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».