Classification of First-Episode Schizophrenia Using Multimodal Brain Features: A Combined Structural and Diffusion Imaging Study
Notice bibliographique
Résumé
Recent neuroanatomical pattern recognition studies have shown some promises for developing an objective neuroimaging-based classification related to schizophrenia. This study explored the feasibility of reliably identifying schizophrenia using single and multimodal multivariate neuroimaging features. Multiple brain measures including regional gray matter (GM) volume, cortical thickness, gyrification, fractional anisotropy (FA), and mean diffusivity (MD) were extracted using fully automated procedures. We used Gradient Boosting Decision Tree to identify the most frequently selected features of each set of neuroanatomical metric and fused multimodal measures. The current classification model was trained and validated based on 98 patients with first-episode schizophrenia (FES) and 106 matched healthy controls (HCs). The classification model was trained and tested in an independent dataset of 54 patients with FES and 48 HCs using imaging data acquired on a different magnetic resonance imaging scanner. Using the most frequently selected features from fused structural and diffusion tensor imaging metrics, a classification accuracy of 75.05% was achieved, which was higher than accuracy derived from a single imaging metric. Most prominent discriminative features included cortical thickness of left transverse temporal gyrus and right parahippocampal gyrus, the FA of left corticospinal tract and right external capsule. In the independent cohort, average accuracy was 76.54%, derived from combined features selected from cortical thickness, gyrification, FA, and MD. These features characterized by GM abnormalities and white matter disruptions have discriminative power with respect to the underlying pathological changes in the brain of individuals having schizophrenia. Our results further highlight the potential advantage of multimodal data fusion for identifying schizophrenia.
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 ».