Diffusion tensor imaging reliably differentiates patients with schizophrenia from healthy volunteers
Notice bibliographique
Résumé
The objective of this research was to determine whether fractional anisotropy (FA) and mean diffusivity (MD) maps derived from diffusion tensor imaging (DTI) of the brain are able to reliably differentiate patients with schizophrenia from healthy volunteers. DTI and high resolution structural magnetic resonance scans were acquired in 50 patients with schizophrenia and 50 age- and sex-matched healthy volunteers. FA and MD maps were estimated from the DTI data and spatially normalized to the Montreal Neurologic Institute standard stereotactic space. Individuals were divided randomly into two groups of 50, a training set, and a test set, each comprising 25 patients and 25 healthy volunteers. A pattern classifier was designed using Fisher's linear discriminant analysis (LDA) based on the training set of images to categorize individuals in the test set as either patients or healthy volunteers. Using the FA maps, the classifier correctly identified 94% of the cases in the test set (96% sensitivity and 92% specificity). The classifier achieved 98% accuracy (96% sensitivity and 100% specificity) when using the MD maps as inputs to distinguish schizophrenia patients from healthy volunteers in the test dataset. Utilizing FA and MD data in combination did not significantly alter the accuracy (96% sensitivity and specificity). Patterns of water self-diffusion in the brain as estimated by DTI can be used in conjunction with automated pattern recognition algorithms to reliably distinguish between patients with schizophrenia and normal control subjects.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».