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 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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».