Prédiction automatique de la maturité osseuse à partir de radiographies EOS chez les patients atteints de la scoliose idiopathique de l’adolescent
Notice bibliographique
Résumé
La scoliose idiopathique chez les adolescents (SIA) est une pathologie caractérisée par la déformation de la colonne vertébrale. On sait aujourd’hui qu’il existe des facteurs génétiques qui influencent l’évolution de la scoliose idiopathique. L’âge osseux s’avère être un bon indicatif du potentiel de croissance et permet aux cliniciens de prescrire le traitement approprié, soit la chirurgie ou le port d’un corset. Traditionnellement, l’acquisition de l’âge osseux se faisait par l’observation d’une radiographie 2D de la main des patients en suivant les échelles de gradations telles que Tanner-Whitehouse-III (TW3) et Greulich and Pyle (GP). L’échelle de Risser est toutefois la plus utilisée pour le suivi des patients atteints de SIA puisqu’elle permet d’avoir en une radiographie, le degré de la courbure scoliotique et le niveau maturité osseuse des patients. Cette méthode d’évaluation démontre toutefois un haut niveau de variabilité de lecture entre les observateurs. De plus, les évidences de corrélation entre l’échelle de Risser et l’évolution de la courbure scoliotique sont plutôt faibles. Un protocole récemment intégré au CHU Sainte-Justine de Montréal permet d’avoir une radiographie des patients scoliotique qui inclut leur main et permet donc d’observer leur âge osseux suivant les méthodes traditionnelles et l’échelle de Risser. Des outils d’automatisation de l’acquisition de l’âge osseux autant pour les méthodes de gradation traditionnelles que pour les méthodes plus modernes comme l’échelle de Risser ou de Sanders ont récemment étaient développés et ces outils se basent sur des modèles d’apprentissage profond et machine pour la classification de l’âge osseux. \n \nCette étude a comme but de développer un outil qui évaluera automatiquement la maturité osseuse des patients suivis en scoliose idiopathique de l’adolescent. Pour ce faire, trois modèles ont été développés pour prédire l’âge osseux selon les échelles de Sanders et de Risser à l’aide d’un modèle de régression basé sur les machines à vecteur de support. Le premier modèle a permis de prédire de l’échelle de Risser et de Sanders grâce aux caractéristiques de l’image. Le deuxième modèle consistait en la prédiction de l’échelle de Risser et de Sanders basée sur les caractéristiques cliniques. Et finalement, le dernier modèle consistait en une prédiction de l’échelle de Risser et de Sanders basée sur une combinaison des caractéristiques de l’image et des caractéristiques cliniques. \n \nLe premier modèle VGG16-RVS a démontré une meilleure performance pour la prédiction de l’âge osseux basé sur le Risser avec trois bases de données avec un coefficient de corrélation R2 de 0,76, une erreur moyenne absolue de 0,17 et une erreur moyenne au carré de 0,20. Les performances du dernier modèle VGG16-BoneXpert-RVS pour la prédiction de l’indice de Sanders étaient meilleures que celle des deux autres modèles avec un coefficient de corrélation R2 de 0,85, une erreur moyenne absolue de 0,11 et une erreur moyenne au carré de 0,15.
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 | 0,008 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,007 | 0,003 |
| Intégrité de la recherche | 0,014 | 0,009 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».