Automatic classification of major depression disorder using arterial spin labeling MRI perfusion measurements
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
AIM: Neuroimaging-based multivariate pattern-recognition methods have been successfully used to develop diagnostic algorithms to distinguish patients with major depressive disorder (MDD) from healthy controls (HC). We developed and evaluated the accuracy of a multivariate classification method for the differentiation of MDD and HC using cerebral blood flow (CBF) features measured by non-invasive arterial spin labeling (ASL) MRI. METHODS: Twenty-two medication-free patients with the diagnosis of MDD based on DSM-IV criteria and 22 HC underwent pseudo-continuous 3-D-ASL imaging to assess CBF. Using an atlas-based approach, regional CBF was determined in various brain regions and used together with sex and age as classification features. A linear kernel support vector machine was used for feature ranking and selection as well as for the classification of patients with MDD and HC. Permutation testing was used to test for significance of the classification results. RESULTS: The automatic classifier based on CBF features showed a statistically significant accuracy of 77.3% (P = 0.004) with a specificity of 80% and sensitivity of 75% for classification of MDD versus HC. The features that contributed to the classification were sex and regional CBF of the cortical, limbic, and paralimbic regions. CONCLUSION: Machine-learning models based on CBF measurements are capable of differentiating MDD from HC with high accuracy. The use of larger study cohorts and inclusion of other imaging measures may improve the performance of the classifier to achieve the accuracy required for clinical application.
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 | 0,003 |
| 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 découle