Noninvasive Language Mapping in Patients With Epilepsy or Brain Tumors
Notice bibliographique
Résumé
BACKGROUND: Functional magnetic resonance imaging (fMRI) has become part of routine brain mapping in patients with epilepsy or tumor undergoing resective surgery. However, robust localization of crucial functional areas is required. OBJECTIVE: To establish a simple, short fMRI task that reliably localizes crucial language areas in individual patients who undergo respective surgery. METHODS: fMRI was measured during an 8-minute auditory semantic decision task in 28 healthy controls and 35 consecutive patients who had focal epilepsy or a brain tumor. Nineteen underwent resective surgery. Group and individual analyses were performed. Results in patients were compared with postsurgical language outcome and electrocortical stimulation when available. RESULTS: fMRI activations concordant with the anterior and posterior language areas were found in 96% and 89% of the controls, respectively. The anterior and posterior language areas were both activated in 93% of the patients. These results were concordant with electrocortical stimulation results in 5 patients. Transient postsurgical language deficits were found in 2 patients in whom surgery was performed in the vicinity of the fMRI activations or who had postsurgical complications implicating areas of fMRI activations. CONCLUSION: The proposed fast fMRI language protocol reliably localized the most relevant language areas in individual subjects. It appears to be a valuable complementary tool for surgical planning of epileptogenic foci and of brain tumors. ABBREVIATIONS: ECS, electrocortical stimulation FLI, frontal lateralization index fMRI, functional magnetic resonance imaging FWE, family-wise error LI, lateralization index MNI, Montreal Neurological Institute SD, standard deviation SEM, standard error of the mean TPLI, temporoparietal lateralization index
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 | 0,000 |
| 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 ».