Identification of psychopathic individuals using pattern classification of MRI images
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Psychopathy is a disorder of personality characterized by severe impairments of social conduct, emotional experience, and interpersonal behavior. Psychopaths consistently violate social norms and bring considerable financial, emotional, or physical harm to others and to society as a whole. Recent developments in analysis methods of magnetic resonance imaging (MRI), such as voxel-based-morphometry (VBM), have become major tools to understand the anatomical correlates of this disorder. Nevertheless, the identification of psychopathy by neuroimaging or other neurobiological tools (e.g., genetic testing) remains elusive. METHODS/PRINCIPAL FINDINGS: The main aim of this study was to develop an approach to distinguish psychopaths from healthy controls, based on the integration between pattern recognition methods and gray matter quantification. We employed support vector machines (SVM) and maximum uncertainty linear discrimination analysis (MLDA), with a feature-selection algorithm. Imaging data from 15 healthy controls and 15 psychopathic individuals (7 women in each group) were analyzed with SPM2 and the optimized VBM preprocessing routines. Participants were scanned with a 1.5 Tesla MRI system. Both SVM and MLDA achieved an overall leave-one-out accuracy of 80%, but SVM mapping was sparser than using MLDA. The superior temporal sulcus/gyrus (bilaterally) was identified as a region containing the most relevant information to separate the two groups. CONCLUSION/SIGNIFICANCE: These results indicate that gray matter quantitative measures contain robust information to predict high psychopathy scores in individual subjects. The methods employed herein might prove useful as an adjunct to the established clinical and neuropsychological measures in patient screening and diagnostic accuracy.
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.
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 | 0,001 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle