Notice bibliographique
Résumé
INTRODUCTION: High-resolution peripheral quantitative computed tomography (HR-pQCT) provides detailed bone microarchitecture assessments, but the interpretability of its many complex parameters remains challenging. This study aimed to develop a deep learning model to estimate skeletal age from HR-pQCT scans, offering an interpretable, quantitative summary of bone health relative to chronological age. METHODS: The training dataset included 1236 adults (62.1% female) from a normative cohort, and an independent test set of 460 adults (69.3% female). HR-pQCT scans of the distal radius and tibia were acquired for all participants. Five models were trained: 2D models using a single radius (2DRad) and tibia (2DTib) slice from the middle of the scan; 3D models using full volumetric radius (3DRad) and tibia (3DTib); and a combined 2D model (2DRadTib) applying linear regression to the 2D outputs. RESULTS: = 0.85). Saliency maps revealed cortical bone was most influential in younger individuals, while both cortical and trabecular features contributed in older participants. Predicted skeletal age was strongly correlated with established HR-pQCT parameters, particularly cortical and density measures (ρ = -0.51 to 0.85), indicating the model relies on key bone features. CONCLUSION: We present a novel deep learning framework for skeletal age prediction from HR-pQCT, providing a concise and interpretable summary measure of bone health. This approach may enhance the clinical utility of HR-pQCT by improving interpretability and supporting early identification of accelerated skeletal aging. LAY SUMMARY: High-resolution peripheral quantitative computed tomography (HR-pQCT) provides detailed images of bone structure, but the volume and complexity of data can make interpretation difficult. In this study, we developed a deep learning model to estimate skeletal age from HR-pQCT scans, offering a simplified and interpretable measure of bone health. By translating complex imaging data into an age-based summary, this approach may enhance clinical use of HR-pQCT, support early identification of individuals at risk of accelerated bone loss, and improve patient understanding by providing a relatable measure of skeletal integrity.
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 | 0,000 | 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 | 0,001 | 0,007 |
| 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) | 0,001 | 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 ».