Effects of adaptive or fixed thresholds and different platforms on the assessment of plaque characteristics using coronary computed tomography angiography
Notice bibliographique
Résumé
BackgroundCoronary computed tomography angiography (CCTA) is used to evaluate components of atherosclerosis. Either adaptive or diverse, fixed Hounsfield Units (HU) are used to define components such as low attenuation (LAP), mixed (MP) and calcified plaque (CP). Comparisons of different platforms and different thresholding approaches have not been extensively evaluated. We compare two fixed threshold options to an adaptive threshold option within a specific platform and to fixed threshold options measured with another platform.MethodsCoronary segments (n = 24) of good image quality, with well-defined boundaries and representing a broad range of atheroma were analyzed for LAP, MP and CP. Thresholds for LAP vs MP and MP vs CP were either Fixed30/350, Fixed75/350 or based on an automatically determined Adaptive option. Pearson correlation and Bland-Altman analyses were undertaken.ResultsWithin a single platform, measures were highly correlated irrespective of use of Adaptive or Fixed30/350 and Fixed75/350 thresholds (R ≥ 0.819, p < 0.000001). The correlation slope for measures of LAP progressively diminished comparing the Adaptive versus Fixed30/350 and the Fixed75/350 versus the Fixed30/350 approaches but bias was small. Between-platform comparisons yielded less optimal results, particularly with respect to measures of LAP and with one platform yielding both very small LAP volumes and very small ranges of volumes.ConclusionMeasures of plaque components are highly correlated irrespective of use of Adaptive or Fixed threshold approaches within a given platform. But measures are more affected by the specific proprietary algorithms employed than by specific thresholding options, especially for LAP.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,005 |
| Bibliométrie | 0,002 | 0,002 |
| 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 ».