Multicenter validation of automated detection of paramagnetic rim lesions on brain MRI in multiple sclerosis
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Paramagnetic rim lesions (PRLs) are an MRI biomarker of chronic inflammation in people with multiple sclerosis (MS). PRLs may aid in the diagnosis and prognosis of MS. However, manual identification of PRLs is time-consuming and prone to poor interrater reliability. To address these challenges, the Automated Paramagnetic Rim Lesion (APRL) algorithm was developed to automate PRL detection. The primary objective of this study is to evaluate the accuracy of APRL for detecting PRLs in a multicenter setting. METHODS: We applied APRL to a multicenter dataset, which included 3-Tesla MRI acquired in 92 participants (43 with MS, 14 with clinically isolated syndrome [CIS]/radiologically isolated syndrome [RIS], 35 without RIS/CIS/MS). Subsequently, we assessed APRL's performance by comparing its results with manual PRL assessments carried out by a team of trained raters. RESULTS: Among the 92 participants, expert raters identified 5637 white matter lesions and 148 PRLs. The automated segmentation method successfully captured 115 (78%) of the manually identified PRLs. Within these 115 identified lesions, APRL differentiated between manually identified PRLs and non-PRLs with an area under the curve (AUC) of .73 (95% confidence interval [CI]: [.68, .78]). At the subject level, the count of APRL-identified PRLs predicted MS diagnosis with an AUC of .69 (95% CI: [.57, .81]). CONCLUSION: Our study demonstrated APRL's capability to differentiate between PRLs and lesions without paramagnetic rims in a multicenter study. Automated identification of PRLs offers greater efficiency over manual identification and could facilitate large-scale assessments of PRLs in clinical 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 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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».