Disentangling disorders of consciousness: Insights from diffusion tensor imaging and machine learning
Notice bibliographique
Résumé
Previous studies have suggested that disorders of consciousness (DOC) after severe brain injury may result from disconnections of the thalamo-cortical system. However, thalamo-cortical connectivity differences between vegetative state (VS), minimally conscious state minus (MCS-, i.e., low-level behavior such as visual pursuit), and minimally conscious state plus (MCS+, i.e., high-level behavior such as language processing) remain unclear. Probabilistic tractography in a sample of 25 DOC patients was employed to assess whether structural connectivity in various thalamo-cortical circuits could differentiate between VS, MCS-, and MCS+ patients. First, the thalamus was individually segmented into seven clusters based on patterns of cortical connectivity and tested for univariate differences across groups. Second, reconstructed whole-brain thalamic tracks were used as features in a multivariate searchlight analysis to identify regions along the tracks that were most informative in distinguishing among groups. At the univariate level, it was found that VS patients displayed reduced connectivity in most thalamo-cortical circuits of interest, including frontal, temporal, and sensorimotor connections, as compared with MCS+, but showed more pulvinar-occipital connections when compared with MCS-. Moreover, MCS- exhibited significantly less thalamo-premotor and thalamo-temporal connectivity than MCS+. At the multivariate level, it was found that thalamic tracks reaching frontal, parietal, and sensorimotor regions, could discriminate, up to 100% accuracy, across each pairwise group comparison. Together, these findings highlight the role of thalamo-cortical connections in patients' behavioral profile and level of consciousness. Diffusion tensor imaging combined with machine learning algorithms could thus potentially facilitate diagnostic distinctions in DOC and shed light on the neural correlates of consciousness. Hum Brain Mapp 38:431-443, 2017. © 2016 Wiley Periodicals, Inc.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».