Multimodality imaging in cardiology : application to the assessment of aortic bioprostheses
Bibliographic record
Abstract
L’incidence et la prévalence des maladies valvulaires sont en augmentation, l’épidémiologie de ces maladies se modifie avec une prépondérance des maladies dégénératives, et le traitement considéré est le plus souvent le remplacement valvulaire prothétique, notamment dans le cadre de la sténose aortique qui est la maladie valvulaire la plus fréquente. Les techniques de remplacement valvulaire et les prothèses valvulaires ont grandement évolué ces dernières années, notamment avec le développement des implantations de prothèses par voie percutanée. Cependant les substituts valvulaires aortiques biologiques sont exposés à des complications diverses mettant en jeu la fonction de la prothèse : fuite péri-prothétique, endocardite infectieuse, dégénérescence des tissus biologiques. Ces complications restent des challenges diagnostiques et l’échographie est l’imagerie de référence. Cependant, l’imagerie cardiaque et valvulaire a réalisé de grands progrès, et l’utilisation d’autres techniques ou modalités d’imagerie peut être une alternative ou un complément à l’exploration par échocardiographie : imagerie par scanner, imagerie par résonance magnétique, imagerie nucléaire. Le recours et la combinaison de ces différentes techniques s’intègrent dans une approche globale, nommée imagerie multimodale. L’objectif général de ce projet de doctorat a été d’étudier l’apport de l’imagerie multimodale dans la surveillance des bioprothèses aortiques et l’évaluation des complications et de la dégénérescence structurelle qui peuvent survenir.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".