TRAIL : IA responsable pour les professionnels et les leaders
Apprenez à intégrer des pratique d'IA responsable dans votre organisation avec le programme TRAIL. Inscrivez-vous à la prochaine cohorte qui débutera le 15 avril.
Avantage IA : productivité dans la fonction publique
Apprenez à tirer parti de l’IA générative pour soutenir et améliorer votre productivité au travail. La prochaine cohorte se déroulera en ligne les 28 et 30 avril 2026.
Nous utilisons des témoins pour analyser le trafic et l’utilisation de notre site web, afin de personnaliser votre expérience. Vous pouvez désactiver ces technologies à tout moment, mais cela peut restreindre certaines fonctionnalités du site. Consultez notre Politique de protection de la vie privée pour en savoir plus.
Paramètre des cookies
Vous pouvez activer et désactiver les types de cookies que vous souhaitez accepter. Cependant certains choix que vous ferez pourraient affecter les services proposés sur nos sites (ex : suggestions, annonces personnalisées, etc.).
Cookies essentiels
Ces cookies sont nécessaires au fonctionnement du site et ne peuvent être désactivés. (Toujours actif)
Cookies analyse
Acceptez-vous l'utilisation de cookies pour mesurer l'audience de nos sites ?
Lecteur Multimédia
Acceptez-vous l'utilisation de cookies pour afficher et vous permettre de regarder les contenus vidéo hébergés par nos partenaires (YouTube, etc.) ?
Degenerative Cervical Myelopathy (DCM) is the functional derangement of the spinal cord and acts as one of the most common atraumatic spinal… (voir plus) cord injuries. Magnetic resonance imaging (MRI) are key in confirming the diagnosis of DCM in patients, though the utilization of higher fidelity magnetic resonance imaging scans and their integration into machine learning models remains largely unexplored. This study looks at the predictive ability of common community MRI scans in comparison to high fidelity scans in disease diagnosis. We hypothesize that the utilization of higher fidelity "advanced" MRI scans will increase the effectiveness of machine learning models predicting DCM severity. Through the utilization of Random Forest Classifiers, we have been able to predict disease severity with 41.8% accuracy in current community MRI scans and 63.9% in the advanced MRI scans. Furthermore, across the different predictive model variations tested, the advanced MRI scans consistently produced higher prediction accuracies compared to the community MRI counterparts. These results support our hypothesis and indicate that machine learning models have the potential to predict disease severity. However, neither performed well enough to be considered for use in clinical practice, indicating that the utilization of more sophisticated machine models may be required for these purposes.
