Unmet Needs in Spondyloarthritis: Imaging in Axial Spondyloarthritis
Notice bibliographique
Résumé
Imaging biomarkers in axial spondyloarthritis (axSpA) are currently the most specific biomarkers for the diagnosis of this condition. Despite advances in imaging, from plain radiographs-which detect only damage-to magnetic resonance imaging (MRI)-which identifies disease activity and structural change-there are still many challenges that remain. Imaging in sacroiliitis is characterized by active and structural changes. Current classification criteria stress the importance of bone marrow edema (BME); however, BME can occur in various diseases, mechanical conditions, and healthy individuals. Thus, the identification of structural lesions such as erosion, subchondral fat, backfill, and ankylosis is important to distinguish from mimics on differential diagnosis. Various imaging modalities are available to examine structural lesions, but computed tomography (CT) is considered the current reference standard. Nonetheless, recent advances in MRI allow for direct bone imaging and the reconstruction of CT-like images that can provide similar information. Therefore, the ability of MRI to detect and measure structural lesions is strengthened. Here, we present an overview of the spectrum of current and cutting-edge techniques for SpA imaging in clinical practice; namely, we discuss the advantages, disadvantages, and usefulness of imaging in SpA through radiography, low-dose and dual-energy CT, and MRI. Cutting-edge MRI sequences including volumetric interpolated breath-hold examination, ultrashort echo time, zero echo time, and deep learning-based synthetic CT that creates CT-like images without ionizing radiation, are discussed. Imaging techniques allow for quantification of inflammatory and structural lesions, which is important in the assessment of treatment response and disease progression. Radiographic damage is poorly sensitive to change. Artificial intelligence has already revolutionized radiology practice, including protocolization, image quality, and image interpretation.
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 | 0,004 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,006 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,005 |
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 ».