In vivo <scp>MRI</scp> signatures of hippocampal subfield pathology in intractable epilepsy
Notice bibliographique
Résumé
OBJECTIVES: Our aim is to assess the subfield-specific histopathological correlates of hippocampal volume and intensity changes (T1, T2) as well as diff!usion MRI markers in TLE, and investigate the efficacy of quantitative MRI measures in predicting histopathology in vivo. EXPERIMENTAL DESIGN: We correlated in vivo volumetry, T2 signal, quantitative T1 mapping, as well as diffusion MRI parameters with histological features of hippocampal sclerosis in a subfield-specific manner. We made use of on an advanced co-registration pipeline that provided a seamless integration of preoperative 3 T MRI with postoperative histopathological data, on which metrics of cell loss and gliosis were quantitatively assessed in CA1, CA2/3, and CA4/DG. PRINCIPAL OBSERVATIONS: MRI volumes across all subfields were positively correlated with neuronal density and size. Higher T2 intensity related to increased GFAP fraction in CA1, while quantitative T1 and diffusion MRI parameters showed negative correlations with neuronal density in CA4 and DG. Multiple linear regression analysis revealed that in vivo multiparametric MRI can predict neuronal loss in all the analyzed subfields with up to 90% accuracy. CONCLUSION: Our results, based on an accurate co-registration pipeline and a subfield-specific analysis of MRI and histology, demonstrate the potential of MRI volumetry, diffusion, and quantitative T1 as accurate in vivo biomarkers of hippocampal 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 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,001 |
| 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 ».