Attenzione: i dati modificati non sono ancora stati salvati. Per confermare inserimenti o cancellazioni di voci è necessario confermare con il tasto SALVA/INSERISCI in fondo alla pagina
.
Deep Learning Modeling to Differentiate Multiple Sclerosis From MOG Antibody-Associated Disease / Rosa Cortese 1, Francesco Sforazzini 2, Giordano Gentile 1 2, Anna de Mauro 1, Ludovico Luchetti 1 2, Maria Pia Amato , Samira Luisa Apóstolos-Pereira 5, Georgina Arrambide 6, Barbara Bellenberg 7, Alessia Bianchi 1 8, Alvino Bisecco 9, Benedetta Bodini 10 11, Massimiliano Calabrese 12, Valentina Camera 12, Elisabeth G Celius 13, Carolina de Medeiros Rimkus 14, Yunyun Duan 15, Françoise Durand-Dubief 16, Massimo Filippi 17 18 19 20 21, Antonio Gallo 9, Claudio Gasperini 22, Cristina Granziera 23 24 25, Sergiu Groppa 26, Matthias Grothe 27, Mor Gueye 17 18 21, Matilde Inglese 28 29, Anu Jacob 30 31, Caterina Lapucci 29, Andrea Lazzarotto 10 11, Yaou Liu 15, Sara Llufriu 32, Carsten Lukas 7 33, Romain Marignier 16, Silvia Messina 34, Jannis Müller 23 24, Jacqueline Palace 34, Luisa Pastó 35, Friedemann Paul 36, Ferran Prados 8 37 38, Anne-Katrin Pröbstel 24, Àlex Rovira 39, Maria Assunta Rocca 17 18 21, Serena Ruggieri 22, Jaume Sastre-Garriga 6, Douglas Kazutoshi Sato 40, Ruth Schneider 7 33, Maria Sepulveda 32, Piotr Sowa 41, Bruno Stankoff 10 11, Carla Tortorella 22, Frederik Barkhof 42 43, Olga Ciccarelli 8 44, Marco Battaglini 1 2, Nicola De Stefano 1; MAGNIMS Study Group. - In: NEUROLOGY. - ISSN 1526-632X. - ELETTRONICO. - (2025), pp. 0-0.
Deep Learning Modeling to Differentiate Multiple Sclerosis From MOG Antibody-Associated Disease
Rosa Cortese 1, Francesco Sforazzini 2, Giordano Gentile 1 2, Anna de Mauro 1, Ludovico Luchetti 1 2, Maria Pia Amato , Samira Luisa Apóstolos-Pereira...espandi
I documenti in FLORE sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
Utilizza questo identificatore per citare o creare un link a questa risorsa: https://hdl.handle.net/2158/1453247
Citazioni
ND
ND
ND
social impact
Conferma cancellazione
Sei sicuro che questo prodotto debba essere cancellato?
simulazione ASN
Il report seguente simula gli indicatori relativi alla propria produzione scientifica in relazione alle soglie ASN 2023-2025 del proprio SC/SSD. Si ricorda che il superamento dei valori soglia (almeno 2 su 3) è requisito necessario ma non sufficiente al conseguimento dell'abilitazione. La simulazione si basa sui dati IRIS e sugli indicatori bibliometrici alla data indicata e non tiene conto di eventuali periodi di congedo obbligatorio, che in sede di domanda ASN danno diritto a incrementi percentuali dei valori. La simulazione può differire dall'esito di un’eventuale domanda ASN sia per errori di catalogazione e/o dati mancanti in IRIS, sia per la variabilità dei dati bibliometrici nel tempo. Si consideri che Anvur calcola i valori degli indicatori all'ultima data utile per la presentazione delle domande.
La presente simulazione è stata realizzata sulla base delle specifiche raccolte sul tavolo ER del Focus Group IRIS coordinato dall’Università di Modena e Reggio Emilia e delle regole riportate nel DM 589/2018 e allegata Tabella A. Cineca, l’Università di Modena e Reggio Emilia e il Focus Group IRIS non si assumono alcuna responsabilità in merito all’uso che il diretto interessato o terzi faranno della simulazione. Si specifica inoltre che la simulazione contiene calcoli effettuati con dati e algoritmi di pubblico dominio e deve quindi essere considerata come un mero ausilio al calcolo svolgibile manualmente o con strumenti equivalenti.
