Detection of transient neurotransmitter response using personalized neural networks
Notice bibliographique
Résumé
Abstract Measurement of stimulus-induced dopamine release and other types of transient neurotransmitter response (TNR) from dynamic positron emission tomography (PET) images typically suffers from limited detection sensitivity and high false positive (FP) rates. Measurement of TNR of a voxel-level can be particularly problematic due to high image noise. In this work, we perform voxel-level TNR detection using artificial neural networks (ANN) and compare their performance to previously used standard statistical tests. Different ANN architectures were trained and tested using simulated and real human PET imaging data, obtained with the tracer [ 11 C]raclopride (a D2 receptor antagonist). A distinguishing feature of our approach is the use of ‘personalized’ ANNs that are designed to operate on the image from a specific subject and scan. Training of personalized ANNs was performed using simulated images that have been matched with the acquired image in terms of the signal, resolution, and noise. In our tests of TNR detection performance, the F-test of the linear parametric neurotransmitter PET model fit residuals was used as the reference method. For a moderate TNR magnitude, the areas under the receiver operating characteristic curves in simulated tests were 0.64 for the F-test and 0.77–0.79 for the best ANNs. At a fixed FP rate of 0.01, the true positive rates were 0.6 for the F-test and 0.8–0.9 for the ANNs. The F-test detected on average 28% of a 8.4 mm cluster with a strong TNR, while the best ANN detected 47%. When applied to a real image, no significant abnormalities in the ANN outputs were observed. These results demonstrate that personalized ANNs may offer a greater detection sensitivity of dopamine release and other types of TNR compared to previously used method based on the F-test.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».