The relationship between white matter fiber damage and gray matter perfusion in large-scale functionally defined networks in multiple sclerosis
Notice bibliographique
Résumé
Background: Recent studies utilizing perfusion as a surrogate of cortical integrity show promise for overall cognition, but the association between white matter (WM) damage and gray matter (GM) integrity in specific functional networks is not previously studied. Objective: To investigate the relationship between WM fiber integrity and GM node perfusion within six functional networks of relapsing-remitting multiple sclerosis (RRMS) and secondary progressive multiple sclerosis (SPMS) patients. Methods: Magnetic resonance imaging (MRI) and neurocognitive testing were performed on 19 healthy controls (HC), 39 RRMS, and 45 SPMS patients. WM damage extent and severity were quantified with T2-hyper/T1-hypointense (T2h/T1h) lesion volume and degree of perfusion reduction in lesional and normal-appearing white matter (NAWM), respectively. A two-step linear regression corrected for confounders was employed. Results: Cognitive impairment was present in 20/39 (51%) RRMS and 25/45 (53%) SPMS patients. GM node perfusion was associated with WM fiber damage severity (WM hypoperfusion) within each network—including both NAWM ( R 2 = 0.67–0.89, p < 0.0001) and T2h ( R 2 = 0.39–0.62, p < 0.0001) WM regions—but was not significantly associated ( p > 0.01) with WM fiber damage extent (i.e. T2h/T1h lesion volumes). Conclusion: Overall, GM node perfusion was associated with severity rather than extent of WM network damage, supporting a primary etiology of GM hypoperfusion.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 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 ».