Automatic Classification of Early Parkinson's Disease with Multi-Modal MR Imaging
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: In recent years, neuroimaging has been increasingly used as an objective method for the diagnosis of Parkinson's disease (PD). Most previous studies were based on invasive imaging modalities or on a single modality which was not an ideal diagnostic tool. In this study, we developed a non-invasive technology intended for use in the diagnosis of early PD by integrating the advantages of various modals. MATERIALS AND METHODS: Nineteen early PD patients and twenty-seven normal volunteers participated in this study. For each subject, we collected resting-state functional magnetic resonance imaging (rsfMRI) and structural images. For the rsfMRI images, we extracted the characteristics at three different levels: ALFF (amplitude of low-frequency fluctuations), ReHo (regional homogeneity) and RFCS (regional functional connectivity strength). For the structural images, we extracted the volume characteristics from the gray matter (GM), the white matter (WM) and the cerebrospinal fluid (CSF). A two-sample t-test was used for the feature selection, and then the remaining features were fused for classification. Finally a classifier for early PD patients and normal control subjects was identified from support vector machine training. The performance of the classifier was evaluated using the leave-one-out cross-validation method. RESULTS: Using the proposed methods to classify the data set, good results (accuracy = 86.96%, sensitivity = 78.95%, specificity = 92.59%) were obtained. CONCLUSIONS: This method demonstrates a promising diagnosis performance by the integration of information from a variety of imaging modalities, and it shows potential for improving the clinical diagnosis and treatment of PD.
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 | 0,000 | 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 découle