Learning to see the invisible: A data‐driven approach to finding the underlying patterns of abnormality in visually normal brain magnetic resonance images in patients with temporal lobe epilepsy
Notice bibliographique
Résumé
OBJECTIVE: To find the covert patterns of abnormality in patients with unilateral temporal lobe epilepsy (TLE) and visually normal brain magnetic resonance images (MRI-negative), comparing them to those with visible abnormalities (MRI-positive). METHODS: We used multimodal brain MRI from patients with unilateral TLE and employed contemporary machine learning methods to predict the known laterality of seizure onset in 104 subjects (82 MRI-positive, 22 MRI-negative). A visualization approach entitled "Importance Maps" was developed to highlight image features predictive of seizure laterality in both the MRI-positive and MRI-negative cases. RESULTS: Seizure laterality could be predicted with an area under the receiver operating characteristic curve of 0.981 (95% confidence interval [CI] =0.974-0.989) in MRI-positive and 0.842 (95% CI = 0.736-0.949) in MRI-negative cases. The known image features arising from the hippocampus were the leading predictors of seizure laterality in the MRI-positive cases, whereas widespread temporal lobe abnormalities were revealed in the MRI-negative cases. SIGNIFICANCE: Covert abnormalities not discerned on visual reading were detected in MRI-negative TLE, with a spatial pattern involving the whole temporal lobe, rather than just the hippocampus. This suggests that MRI-negative TLE may be associated with subtle but widespread temporal lobe abnormalities. These abnormalities merit close inspection and postacquisition processing if there is no overt lesion.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».