Time-domain diffuse optical imaging technique for monitoring rheumatoid arthritis disease activity: experimental validation in tissue-mimicking finger phantoms
Notice bibliographique
Résumé
Abstract Objective. Effective treatment within 3–5 months of disease onset significantly improves rheumatoid arthritis (RA) prognosis. Nevertheless, 30% of RA patients fail their first treatment, and it takes 3–6 months to identify failure with current monitoring techniques. Time-domain diffuse optical imaging (TD-DOI) may be more sensitive to RA disease activity and could be used to detect treatment failure. In this report, we present the development of a TD-DOI hand imaging system and validate its ability to measure simulated changes in RA disease activity using tissue-mimicking finger phantoms. Approach. A TD-DOI system was built, based on a single-pixel camera architecture, and used to image solid phantoms which mimicked a proximal interphalangeal finger joint. For reference, in silico images of virtual models of the solid phantoms were also generated using Monte Carlo simulations. Spatiotemporal Fourier components were extracted from both simulated and experimental images, and their ability to distinguish between phantoms representing different RA disease activity was quantified. Main results. Many spatiotemporal Fourier components extracted from TD-DOI images could clearly distinguish between phantoms representing different states of RA disease activity. Significance. A TD-DOI system was built and validated using finger-mimicking solid phantoms. The findings suggest that the system could be used to monitor RA disease activity. This single-pixel TD-DOI system could be used to acquire longitudinal measures of RA disease activity to detect early treatment failure.
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) | 0,001 | 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 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 ».