A classification approach to improve out of sample predictability of structure‐based constitutive models for ascending thoracic aortic tissue
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this research, a pipeline was developed to assess the out-of-sample predictive capability of structure-based constitutive models of ascending aortic aneurysmal tissue. The hypothesis being tested is that a biomarker can help establish similarities among tissues sharing the same level of a quantifiable property, thus enabling the development of biomarker-specific constitutive models. Biomarker-specific averaged material models were constructed from biaxial mechanical tests of specimens that shared similar biomarker properties such as level of blood-wall shear stress or microfiber (elastin or collagen) degradation in the extracellular matrix. Using a cross-validation strategy commonly used in classification algorithms, biomarker-specific averaged material models were assessed in contrast to individual tissue mechanics of out of sample specimens that fell under the same category but did not contribute to the averaged model's generation. The normalized root means square errors (NRMSE) calculated on out-of-sample data were compared with average models when no categorization was performed versus biomarker-specific models and among different level of a biomarker. Different biomarker levels exhibited statistically different NRMSE when compared among each other, indicating more common features shared by the specimens belonging to the lower error groups. However, no specific biomarkers reached a significant difference when compared to the average model created when No Categorization was performed, possibly on account of unbalanced number of specimens. The method developed could allow for the screening of different biomarkers or combinations/interactions in a systematic manner leading the way to larger datasets and to more individualized constitutive approaches.
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.
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 | 0,003 |
| 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 découle