Pooled analysis of multiple sclerosis findings on multisite 7 Tesla <scp>MRI</scp>: Protocol and initial observations
Notice bibliographique
Résumé
Although 7 T MRI research has contributed much to our understanding of multiple sclerosis (MS) pathology, most prior data has come from small, single-center studies with varying methods. In order to truly know if such findings have widespread applicability, multicenter methods and studies are needed. To address this, members of the North American Imaging in MS (NAIMS) Cooperative worked together to create a multicenter collaborative study of 7 T MRI in MS. In this manuscript, we describe the methods we have developed for the purpose of pooling together a large, retrospective dataset of 7 T MRIs acquired in multiple MS studies at five institutions. To date, this group has contributed five-hundred and twenty-eight 7 T MRI scans from 350 individuals with MS to a common data repository, with plans to continue to increase this sample size in the coming years. We have developed unified methods for image processing for data harmonization and lesion identification/segmentation. We report here our initial observations on intersite differences in acquisition, which includes site/device differences in brain coverage and image quality. We also report on the development of our methods and training of image evaluators, which resulted in median Dice Similarity Coefficients for trained raters' annotation of cortical and deep gray matter lesions, paramagnetic rim lesions, and meningeal enhancement between 0.73 and 0.82 compared to final consensus masks. We expect this publication to act as a resource for other investigators aiming to combine multicenter 7 T MRI datasets for the study of MS, in addition to providing a methodological reference for all future analysis projects to stem from the development of this dataset.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 ».