Prédiction automatique de la maturité osseuse à partir de radiographies EOS chez les patients atteints de la scoliose idiopathique de l’adolescent
Bibliographic record
Abstract
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.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.008 | 0.012 |
| Meta-epidemiology (narrow) | 0.003 | 0.003 |
| Meta-epidemiology (broad) | 0.003 | 0.001 |
| Bibliometrics | 0.004 | 0.007 |
| Science and technology studies | 0.002 | 0.007 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.007 | 0.003 |
| Research integrity | 0.014 | 0.009 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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; both teacher heads agree on what is shown here.
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".