Machine Learning and Multiparametric Brain MRI to Differentiate Hereditary Diffuse Leukodystrophy with Spheroids from Multiple Sclerosis
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
BACKGROUND AND PURPOSE: Hereditary diffuse leukoencephalopathy with spheroids (HDLS) and multiple sclerosis (MS) are demyelinating and neurodegenerative disorders that can be hard to distinguish clinically and radiologically. HDLS is a rare disorder compared to MS, which has led to occurrent misdiagnosis of HDLS as MS. That is problematic since their prognosis and treatment differ. Both disorders are investigated by MRI, which could help to identify patients with high probability of having HDLS, which could guide targeted genetic testing to confirm the HDLS diagnosis. METHODS: Here, we present a machine learning method based on quantitative MRI that can achieve a robust classification of HDLS versus MS. Four HDLS and 14 age-matched MS patients underwent a quantitative brain MRI protocol (synthetic MRI) at 3 Tesla (T) (scan time <7 minutes). We also performed a repeatability analysis of the predicting features to assess their generalizability by scanning a healthy control with five scan-rescans at 3T and 1.5T. RESULTS: Our predicting features were measured with an average confidence interval of 1.7% (P = .01), at 3T and 2.3% (P = .01) at 1.5T. The model gave a 100% correct classification of the cross-validation data when using 5-11 predicting features. When the maximum measurement noise was inserted in the model, the true positive rate of HDLS was 97.2%, while the true positive rate of MS was 99.6%. CONCLUSIONS: This study suggests that computer-assistance in combination with quantitative MRI may be helpful in aiding the challenging differential diagnosis of HDLS versus MS.
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 | 0,000 |
| 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 découle