Unsupervised machine learning reveals lesional variability in focal cortical dysplasia at mesoscopic scale
Notice bibliographique
Résumé
OBJECTIVE: Focal cortical dysplasia (FCD) is the most common epileptogenic developmental malformation and a prevalent cause of surgically amenable epilepsy. While cellular and molecular biology data suggest that FCD lesional characteristics lie along a spectrum, this notion remains to be verified in vivo. We tested the hypothesis that machine learning applied to MRI captures FCD lesional variability at a mesoscopic scale. METHODS: We studied 46 patients with histologically verified FCD Type II and 35 age- and sex-matched healthy controls. We applied consensus clustering, an unsupervised learning technique that identifies stable clusters based on bootstrap-aggregation, to 3 T multicontrast MRI (T1-weighted MRI and FLAIR) features of FCD normalized with respect to distributions in controls. RESULTS: Lesions were parcellated into four classes with distinct structural profiles variably expressed within and across patients: Class-1 with isolated white matter (WM) damage; Class-2 combining grey matter (GM) and WM alterations; Class-3 with isolated GM damage; Class-4 with GM-WM interface anomalies. Class membership was replicated in two independent datasets. Classes with GM anomalies impacted local function (resting-state fMRI derived ALFF), while those with abnormal WM affected large-scale connectivity (assessed by degree centrality). Overall, MRI classes reflected typical histopathological FCD characteristics: Class-1 was associated with severe WM gliosis and interface blurring, Class-2 with severe GM dyslamination and moderate WM gliosis, Class-3 with moderate GM gliosis, Class-4 with mild interface blurring. A detection algorithm trained on class-informed data outperformed a class-naïve paradigm. SIGNIFICANCE: Machine learning applied to widely available MRI contrasts uncovers FCD Type II variability at a mesoscopic scale and identifies tissue classes with distinct structural dimensions, functional and histopathological profiles. Integrating in vivo staging of FCD traits with automated lesion detection is likely to inform the development of novel personalized treatments.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».