Applications of neural network analyses to in vivo <sup>1</sup>H magnetic resonance spectroscopy of Parkinson disease patients
Notice bibliographique
Résumé
PURPOSE: To apply neural network analyses to in vivo magnetic resonance spectra of controls and Parkinson disease (PD) patients for the purpose of classification. MATERIALS AND METHODS: Ninety-seven in vivo proton magnetic resonance spectra of the basal ganglia were recorded from 31 patients with (PD) and 14 age-matched healthy volunteers on a 1.5-T imager. The PD patients were grouped as follows: probable PD (N = 15), possible PD (N = 11), and atypical PD (N = 5). Total acquisition times of approximately five minutes were achieved with a TE (echo time) of 135 msec, a TR (repetition time) of 2000 msec, and 128 scan averages. Neural network (back propagation, Kohonen, probabilistic, and radial basis function) and related (generative topographic mapping) data analyses were performed. RESULTS: Conventional data analysis showed no statistically significant differences in metabolite ratios based on measuring signal intensities. The trained networks could distinguish control from PD with considerable accuracy (true positive fraction 0.971, true negative fraction 0.933). When four classes were defined, approximately 88% of the predictions were correct. The multivariate analysis indicated metabolic changes in the basal ganglia in PD. CONCLUSION: A variety of neural network and related approaches can be successfully applied to both qualitative visualization and classification of in vivo spectra of PD patients.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».