Automated detection of cortical dysplasia type II in MRI-negative epilepsy
Notice bibliographique
Résumé
OBJECTIVE: To detect automatically focal cortical dysplasia (FCD) type II in patients with extratemporal epilepsy initially diagnosed as MRI-negative on routine inspection of 1.5 and 3.0T scans. METHODS: We implemented an automated classifier relying on surface-based features of FCD morphology and intensity, taking advantage of their covariance. The method was tested on 19 patients (15 with histologically confirmed FCD) scanned at 3.0T, and cross-validated using a leave-one-out strategy. We assessed specificity in 24 healthy controls and 11 disease controls with temporal lobe epilepsy. Cross-dataset classification performance was evaluated in 20 healthy controls and 14 patients with histologically verified FCD examined at 1.5T. RESULTS: Sensitivity was 74%, with 100% specificity (i.e., no lesions detected in healthy or disease controls). In 50% of cases, a single cluster colocalized with the FCD lesion, while in the remaining cases a median of 1 extralesional cluster was found. Applying the classifier (trained on 3.0T data) to the 1.5T dataset yielded comparable performance (sensitivity 71%, specificity 95%). CONCLUSION: In patients initially diagnosed as MRI-negative, our fully automated multivariate approach offered a substantial gain in sensitivity over standard radiologic assessment. The proposed method showed generalizability across cohorts, scanners, and field strengths. Machine learning may assist presurgical decision-making by facilitating hypothesis formulation about the epileptogenic zone. CLASSIFICATION OF EVIDENCE: This study provides Class II evidence that automated machine learning of MRI patterns accurately identifies FCD among patients with extratemporal epilepsy initially diagnosed as MRI-negative.
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 ».