Magnetic resonance imaging pattern learning in temporal lobe epilepsy: Classification and prognostics
Notice bibliographique
Résumé
OBJECTIVE: In temporal lobe epilepsy (TLE), although hippocampal atrophy lateralizes the focus, the value of magnetic resonance imaging (MRI) to predict postsurgical outcome is rather modest. Prediction solely based on the hippocampus may be hampered by widespread mesiotemporal structural damage shown by advanced imaging. Increasingly complex and high-dimensional representation of MRI metrics motivates a shift to machine learning to establish objective, data-driven criteria for pathogenic processes and prognosis. METHODS: We applied clustering to 114 consecutive unilateral TLE patients using 1.5T MRI profiles derived from surface morphology of hippocampus, amygdala, and entorhinal cortex. To evaluate the diagnostic validity of the classification, we assessed its yield to predict outcome in 79 surgically treated patients. Reproducibility of outcome prediction was assessed in an independent cohort of 27 patients evaluated on 3.0T MRI. RESULTS: Four similarly sized classes partitioned our cohort; in all, alterations spanned over the 3 mesiotemporal structures. Compared to 46 controls, TLE-I showed marked bilateral atrophy; in TLE-II atrophy was ipsilateral; TLE-III showed mild bilateral atrophy; whereas TLE-IV showed hypertrophy. Classes differed with regard to histopathology and freedom from seizures. Classwise surface-based classifiers accurately predicted outcome in 92 ± 1% of patients, outperforming conventional volumetry. Predictors of relapse were distributed bilaterally across structures. Prediction accuracy was similarly high in the independent cohort (96%), supporting generalizability. INTERPRETATION: We provide a novel description of individual variability across the TLE spectrum. Class membership was associated with distinct patterns of damage and outcome predictors that did not spatially overlap, emphasizing the ability of machine learning to disentangle the differential contribution of morphology to patient phenotypes, ultimately refining the prognosis of epilepsy surgery.
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 ».