Association between deep learning radiomics based on placental MRI and preeclampsia with fetal growth restriction: A multicenter study
Notice bibliographique
Résumé
PURPOSE: Preeclampsia (PE) is associated with placental insufficiency and could lead to adverse pregnancy outcomes. The study aimed to develop a placental T2-weighted image-based automatic quantitative model for the identification of PE pregnancies and disease severity. METHODS: Between July 2013 and September 2022, the retrospective multicenter study featured 420 pregnant women, including 140 cases of PE and 280 cases of normotensive pregnancies. The semi-supervised approach was used to gain an automatic segmentation for placental MRI. The radiomics, deep learning, and deep learning radiomics (DLR) models were built. RESULTS: In PE pregnancies, 65 (46.4 %) fetuses developed PE with fetal growth restriction (FGR), and 75 (53.6 %) cases were PE without FGR. The Dice of semi-supervised placental segmentation was 0.917. The AUCs of the DLR signature for discriminating PE pregnancies from normotensive pregnancies were 0.839 (95 % CI: 0.793-0.886), 0.858 (95 % CI: 0.742-0.974), 0.888 (95 % CI: 0.783-0.992), and 0.843 (95 % CI: 0.731-1.000) in the training, test, internal validation, and external validation sets, respectively. This DLR analysis model performed well in discriminating between PE with FGR and normotensive pregnancies (AUC = 0.918, 95 % CI: 0.879-0.957) and PE without FGR (AUC = 0.742, 95 % CI: 0659-0.824). CONCLUSION: The automatic radiomics analysis has been developed to identify PE pregnancies by determining DLR features on placental T2-weighted images, and to predict FGR exposed to PE.
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) | 0,000 | 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 | 0,001 |
| 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 ».