A data mining approach for classification of orthostatic and essential tremor based on MRI‐derived brain volume and cortical thickness
Notice bibliographique
Résumé
OBJECTIVE: Orthostatic tremor (OT) is an extremely rare, misdiagnosed, and underdiagnosed disorder affecting adults in midlife. There is debate as to whether it is a different condition or a variant of essential tremor (ET), or even, if both conditions coexist. Our objective was to use data mining classification methods, using magnetic resonance imaging (MRI)-derived brain volume and cortical thickness data, to identify morphometric measures that help to discriminate OT patients from those with ET. METHODS: MRI-derived brain volume and cortical thickness were obtained from 14 OT patients and 15 age-, sex-, and education-matched ET patients. Feature selection and machine learning methods were subsequently applied. RESULTS: Four MRI features alone distinguished the two, OT from ET, with 100% diagnostic accuracy. More specifically, left thalamus proper volume (normalized by the total intracranial volume), right superior parietal volume, right superior parietal thickness, and right inferior parietal roughness (i.e., the standard deviation of cortical thickness) were shown to play a key role in OT and ET characterization. Finally, the left caudal anterior cingulate thickness and the left caudal middle frontal roughness allowed us to separate with 100% diagnostic accuracy subgroups of OT patients (primary and those with mild parkinsonian signs). CONCLUSIONS: A data mining approach applied to MRI-derived brain volume and cortical thickness data may differentiate between these two types of tremor with an accuracy of 100%. Our results suggest that OT and ET are distinct conditions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».