Multivariate pattern classification of brain white matter connectivity predicts classic trigeminal neuralgia
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Trigeminal neuralgia (TN) is a severe form of chronic facial neuropathic pain. Increasing interest in the neuroimaging of pain has highlighted changes in the root entry zone in TN, but also group-level central nervous system gray and white matter (WM) abnormalities. Group differences in neuroimaging data are frequently evaluated with univariate statistics; however, this approach is limited because it is based on single, or clusters of, voxels. By contrast, multivariate pattern analyses consider all the model's neuroanatomical features to capture a specific distributed spatial pattern. This approach has potential use as a prediction tool at the individual level. We hypothesized that a multivariate pattern classification method can distinguish specific patterns of abnormal WM connectivity of classic TN from healthy controls (HCs). Diffusion-weighted scans in 23 right-sided TN and matched controls were processed to extract whole-brain interregional streamlines. We used a linear support vector machine algorithm to differentiate interregional normalized streamline count between TN and HC. This algorithm successfully differentiated between TN and HC with an accuracy of 88%. The structural pattern emphasized WM connectivity of regions that subserve sensory, affective, and cognitive dimensions of pain, including the insula, precuneus, inferior and superior parietal lobules, and inferior and medial orbital frontal gyri. Normalized streamline counts were associated with longer pain duration and WM metric abnormality between the connections. This study demonstrates that machine-learning algorithms can detect characteristic patterns of structural alterations in TN and highlights the role of structural brain imaging for identification of neuroanatomical features associated with neuropathic pain disorders.
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.
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 | 0,000 |
| 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) | 0,001 | 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 découle