MétaCan
Menu
Retour à la cohorte
Enregistrement W2055097674 · doi:10.1111/j.1528-1157.2000.tb00250.x

Lateralization of Temporal Lobe Epilepsy (TLE) and Discrimination of TLE from Extra‐TLE Using Pattern Analysis of Magnetic Resonance Spectroscopic and Volumetric Data

2000· article· en· W2055097674 sur OpenAlexaff
Li M. Li, Zografos Caramanos, Fernando Cendes, Frédérick Andermann, Samson Antel, François Dubeau, Douglas L. Arnold

Notice bibliographique

RevueEpilepsia · 2000
Typearticle
Langueen
DomaineMedicine
ThématiqueEpilepsy research and treatment
Établissements canadiensMcGill UniversityMontreal Neurological Institute and Hospital
Organismes subventionnairesnon disponible
Mots-clésTemporal lobeEpilepsyLateralization of brain functionLinear discriminant analysisMagnetic resonance imagingPsychologyNuclear medicineNeuroscienceMedicineRadiologyArtificial intelligenceComputer science

Résumé

récupéré en direct d'OpenAlex

PURPOSE: To examine whether or not pattern analysis of magnetic resonance volumetric (MRVol) and proton magnetic resonance spectroscopic imaging (1H-MRSI) data would enable (a) the accurate lateralization of temporal lobe epilepsy (TLE) and (b) the discrimination of TLE from extratemporal epilepsy (E-TLE). METHODS: For lateralization analysis, we used data from 150 nonforeign tissue lesional TLE patients [88 left-sided (L-TLE), 46 right-sided (R-TLE), and 16 bilateral (Bi-TLE)]. For the discrimination of TLE from E-TLE, we used data from 174 patients (145 with unilateral TLE, 14 with unilateral E-TLE, and 15 with widespread epileptogenic zones involving both the TL and extra-TL regions-multilobar epilepsy). A series of "leave-one-out" cross-validated linear discriminant analyses were performed using the MRVol and 1H-MRSI data sets to lateralize TLE and discriminate it from E-TLE. RESULTS: Lateralization: The leave-one-out linear discriminant analyses were able to correctly lateralize (with a posterior probability >0.50) 120 (90%) of the 134 L-TLE and R-TLE patients. Imposing higher posterior probability (>0.95) increased accuracy of lateralization to 98%, with only two discordant cases who underwent surgery on the side of electroencephalogram, and both had bad outcome. Discrimination: the leave-one-out linear discriminant analyses were able to correctly classify (with a posterior probability >0.50) 142 (89%) of the 159 TLE and E-TLE patients. Accuracy increased slightly as higher posterior probability cutoffs were imposed, with fewer patients being classified. CONCLUSIONS: Pattern analysis of 1H-MRSI and MRVol data can accurately lateralize TLE. Discriminating TLE from E-TLE was less accurate, probably due to the presence of temporal lobe damage in some patients with E-TLE reflecting dual pathology.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,048
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,040
Tête enseignante GPT0,318
Écart entre enseignants0,278 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations29
Publié2000
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEpilepsiaMême sujetEpilepsy research and treatmentTravaux en français237 207