Abstract 7 — Deep Learning Differentiation of Inflammatory Lesions in Sacroiliac Joint MRI Based on Spondyloarthritis Research Consortium of Canada (SPARCC) System
Notice bibliographique
Résumé
Objective To develop a deep learning algorithm for grading sacroiliitis based on SPARCC in magnetic resonance imaging (MRI). Method A total of 996 images with inflammatory lesions from 210 participants with MRI sacroiliitis were used for training and validation. The testing cohort consisted of 18 participants with and 19 without MRI sacroiliitis. One hundred and fifty four images from the testing cohort had inflammatory lesions identified by a pre-trained algorithm from our previous study[1]. The ground truth was defined by manually outlined regions of interests (ROIs) consisting of bone marrow edema (BME) at the sacroiliac joint. The performance of the deep learning pipeline in predicting the SPARCC score was compared to manual interpretation by two experienced readers. Result The intra-observer reliability and the Pearson coefficient between the SPARCC scores from two experienced readers and the deep learning pipeline were 0.83 and 0.86, respectively. The sensitivities in identifying all inflammatory lesions, deep lesions, and intense lesions were 0.83, 0.79 and 0.81, respectively. The Dice coefficients of the sacrum and ilium segmentation were 0.82 and 0.80, respectively. The accuracies of identifying the SI joint and reference vessel were 0.90 and 0.88, respectively. Conclusion The performance of AI algorithms in SPARCC scoring was compatible with manual scoring by experienced readers. This proposed deep learning pipeline could be the first demonstration of a complete and SPARCC-informed deep-learning approach in scoring STIR images in SpA.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».