Artificial intelligence, machine learning and omic data integration in osteoarthritis
Notice bibliographique
Résumé
OBJECTIVE: Artificial intelligence (AI), particularly its subfield of machine learning (ML), offer promising tools for integrating and interpreting high-dimensional omic data to advance our understanding of osteoarthritis (OA), a complex, multifactorial disease. The objective of this review is to summarize recent progress in applying ML approaches to single and integrative multi-omic data in OA and to highlight emerging trends, challenges, and opportunities. METHOD: We conducted a literature search of PubMed and preprint databases upto April 2025. This search identified studies that applied ML techniques including supervised learning, unsupervised clustering, deep learning, and integrative modeling to OA datasets. These datasets included transcriptomic, epigenomic, proteomic, metabolomic, and multi-omic profiles in human OA samples and relevant preclinical models. We synthesized findings across omic types, ML methodologies, and clinical or mechanistic OA outcomes, highlighting key trends in multi-omic integration strategies and their implications for OA research. RESULTS: Recent studies have applied ML to identify transcriptomic and epigenomic biomarkers, stratify OA patient subtypes, and predict disease progression. Advanced approaches such as variational autoencoders, contrastive learning, and multimodal transformers are emerging as powerful tools for multi-omic integration. However, challenges remain related to small sample sizes, overfitting, lack of external validation, model interpretability, and demographic underrepresentation in omic datasets. CONCLUSIONS: ML techniques are advancing OA research by enabling nuanced analysis of complex omic datasets. Addressing current limitations and embracing new developments in spatial and single-cell omics, generative models, and federated learning will be essential to unlock the full potential of multi-omic integration for personalized OA diagnosis and treatment.
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 | 0,014 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».