FLAIR-Wise Machine-Learning Classification and Lateralization of MRI-Negative 18F-FDG PET-Positive Temporal Lobe Epilepsy
Notice bibliographique
Résumé
Objective: In this study, we investigated the ability of fluid-attenuated inversion recovery (FLAIR) data coupled with machine-leaning algorithms to differentiate normal and epileptic brains and identify the focus lateralization in temporal lobe epilepsy (TLE) patients with visually negative MRI. Materials and Methods: The MRI data were were acquired on a 3-T MR system (Philips Medical Systems). After pre-proceeding stage, the FLAIR signal intensities were extracted from specific regions of interest, such as the amygdala, cerebral white matter, inferior temporal gyrus, middle temporal gyrus, parahippocampal gyrus, superior temporal gyrus, and temporal pole, and fed into a classification framework followed by a support vector machine as classifier. The proposed lateralization framework was assessed in a group of MRI-negative unilateral TLE patients (N= 42; 19 left TLE and 23 right TLE) and 34 healthy controls (HCs) based on a leave-one-out cross-validation strategy. Results: Using the FLAIR data, we obtained a 75% accuracy for discriminating the three groups, as well as 87.71%, 83.01%, and 76.19% accuracies for HC/right TLE, HC/left TLE, and left TLE/right TLE tasks, respectively. Interpretation: The experimental results show that FLAIR data can potentially be considered an informative biomarker for improving the presurgical diagnostic confidence in patients with MRI-negative TLE.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».