Application of Support Vector Machine on fMRI Data as Biomarkers in Schizophrenia Diagnosis: A Systematic Review
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
Non-invasive measurements of brain function and structure as neuroimaging in patients with mental illnesses are useful and powerful tools for studying discriminatory biomarkers. To date, functional MRI (fMRI), structural MRI (sMRI) represent the most used techniques to provide multiple perspectives on brain function, structure, and their connectivity. Recently, there has been rising attention in using machine-learning (ML) techniques, pattern recognition methods, applied to neuroimaging data to characterize disease-related alterations in brain structure and function and to identify phenotypes, for example, for translation into clinical and early diagnosis. Our aim was to provide a systematic review according to the PRISMA statement of Support Vector Machine (SVM) techniques in making diagnostic discrimination between SCZ patients from healthy controls using neuroimaging data from functional MRI as input. We included studies using SVM as ML techniques with patients diagnosed with Schizophrenia. From an initial sample of 660 papers, at the end of the screening process, 22 articles were selected, and included in our review. This technique can be a valid, inexpensive, and non-invasive support to recognize and detect patients at an early stage, compared to any currently available assessment or clinical diagnostic methods in order to save crucial time. The higher accuracy of SVM models and the new integrated methods of ML techniques could play a decisive role to detect patients with SCZ or other major psychiatric disorders in the early stages of the disease or to potentially determine their neuroimaging risk factors in the near future.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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