Repurposing Clinical MRI Archives for Multiple Sclerosis Research with a Flexible, Single-Modality Approach: New Insights from Old Scans
Notice bibliographique
Résumé
ABSTRACT In multiple sclerosis (MS), magnetic resonance imaging (MRI) biomarkers are critical for research in diagnosis, prognosis and assessing treatment efficacy. Traditionally, extracting relevant biomarkers of disease activity and neurodegeneration requires multimodal MRI protocols, limiting the use of the already existing vast amount of incomplete or single-modality MRI data which are acquired in clinical settings. We developed MindGlide, a deep learning model that extracts volums of brain regions and lesion from a single MRI modality, simplifying analysis and enabling the use of heterogeneous clinical archives. We trained MindGlide on a dataset of 4,247 brain MRI scans from 2,934 MS patients across 592 MRI scanners and validated it on 14,952 brain MRI scans from 1001 patients from three unseen external validation cohorts including 161 adolescent patients. Using dice scores, we demonstrated that MindGlide accurately estimated white matter lesion, cortical, and deep grey matter volumes. These volumes correlated with disability (Expanded Disability Status Scale, absolute correlation coefficients 0.1-0.2, p<0.05), and MindGlide outperformed an established tool in this regard. MindGlide robustly detected treatment effects across clinical trials, including disease activity and neurodegeneration (as shown by lesion accrual and brain tissue loss, respectively), even when analysing MRI modalities not traditionally used for such detailed measurements. Our results indicate the potential to indirectly reduce scan time and drug development costs in clinical trials while directly transforming the utility of retrospective analysis of real-world data acquired in clinical settings. As a consequence, scan time will be reduced and, in turn, the cost of trials.
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 | 0,006 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».