Classifying heterogeneous presentations of PTSD via the default mode, central executive, and salience networks with machine learning
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
Intrinsic connectivity networks (ICNs), including the default mode network (DMN), the central executive network (CEN), and the salience network (SN) have been shown to be aberrant in patients with posttraumatic stress disorder (PTSD). The purpose of the current study was to a) compare ICN functional connectivity between PTSD, dissociative subtype PTSD (PTSD+DS) and healthy individuals; and b) to examine the use of multivariate machine learning algorithms in classifying PTSD, PTSD+DS, and healthy individuals based on ICN functional activation. Our neuroimaging dataset consisted of resting-state fMRI scans from 186 participants [PTSD (n = 81); PTSD + DS (n = 49); and healthy controls (n = 56)]. We performed group-level independent component analyses to evaluate functional connectivity differences within each ICN. Multiclass Gaussian Process Classification algorithms within PRoNTo software were then used to predict the diagnosis of PTSD, PTSD+DS, and healthy individuals based on ICN functional activation. When comparing the functional connectivity of ICNs between PTSD, PTSD+DS and healthy controls, we found differential patterns of connectivity to brain regions involved in emotion regulation, in addition to limbic structures and areas involved in self-referential processing, interoception, bodily self-consciousness, and depersonalization/derealization. Machine learning algorithms were able to predict with high accuracy the classification of PTSD, PTSD+DS, and healthy individuals based on ICN functional activation. Our results suggest that alterations within intrinsic connectivity networks may underlie unique psychopathology and symptom presentation among PTSD subtypes. Furthermore, the current findings substantiate the use of machine learning algorithms for classifying subtypes of PTSD illness based on ICNs.
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 | 0,000 | 0,009 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle