UltraAIGenomics: Artificial Intelligence-Based Cardiovascular Disease Risk Assessment by Fusion of Ultrasound-Based Radiomics and Genomics Features for Preventive, Personalized and Precision Medicine: A Narrative Review
Notice bibliographique
Résumé
Cardiovascular disease (CVD) diagnosis and treatment are challenging since symptoms appear late in the disease’s progression. Despite clinical risk scores, cardiac event prediction is inadequate, and many at-risk patients are not adequately categorised by conventional risk factors alone. Integrating genomic-based biomarkers (GBBM), specifically those found in plasma and/or serum samples, along with novel non-invasive radiomic-based biomarkers (RBBM) such as plaque area and plaque burden can improve the overall specificity of CVD risk. This review proposes two hypotheses: (i) RBBM and GBBM biomarkers have a strong correlation and can be used to detect the severity of CVD and stroke precisely, and (ii) introduces a proposed artificial intelligence (AI)—based preventive, precision, and personalized (aiP3) CVD/Stroke risk model. The PRISMA search selected 246 studies for the CVD/Stroke risk. It showed that using the RBBM and GBBM biomarkers, deep learning (DL) modelscould be used for CVD/Stroke risk stratification in the aiP3 framework. Furthermore, we present a concise overview of platelet function, complete blood count (CBC), and diagnostic methods. As part of the AI paradigm, we discuss explainability, pruning, bias, and benchmarking against previous studies and their potential impacts. The review proposes the integration of RBBM and GBBM, an innovative solution streamlined in the DL paradigm for predicting CVD/Stroke risk in the aiP3 framework. The combination of RBBM and GBBM introduces a powerful CVD/Stroke risk assessment paradigm. aiP3 model signifies a promising advancement in CVD/Stroke risk assessment.
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 | 0,015 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,012 | 0,005 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».