Classification of fMRI patterns—A study of the language network segregation in pediatric localization related epilepsy
Notice bibliographique
Résumé
This article describes a pattern classification algorithm for pediatric epilepsy using fMRI language-related activation maps. 122 fMRI datasets from a control group (64) and localization related epilepsy patients (58) provided by five children's hospitals were used. Each subject performed an auditory description decision task. Using the artificial data as training data, incremental Principal Component Analysis was used in order to generate the feature space while overcoming memory requirements of large datasets. The nearest-neighbor classifier (NNC) and the distance-based fuzzy classifier (DFC) were used to perform group separation into left dominant, right dominant, bilateral, and others. The results show no effect of age, age at seizure onset, seizure duration, or seizure etiology on group separation. Two sets of parameters were significant for group separation, the patient vs. control populations and handedness. Of the 122 real datasets, 90 subjects gave the same classification results across all the methods (three raters, LI, bootstrap LI, NNC, and DFC). For the remaining datasets, 18 cases for the IPCA-NNC and 21 cases for the IPCA-DFC agreed with the majority of the five classification results (three visual ratings and two LI results). Kappa values vary from 0.59 to 0.73 for NNC and 0.61 to 0.75 for DFC, which indicate good agreement between NNC or DFC with traditional methods. The proposed method as designed can serve as an alternative method to corroborate existing LI and visual rating classification methods and to resolve some of the cases near the boundaries in between categories.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».