Structural and functional connectivity of motor circuits after perinatal stroke: A machine learning study
Notice bibliographique
Résumé
Developmental neuroplasticity allows young brains to adapt via experiences early in life and also to compensate after injury. Why certain individuals are more adaptable remains underexplored. Perinatal stroke is an ideal human model of neuroplasticity with focal lesions acquired near birth in a healthy brain. Machine learning can identify complex patterns in multi-dimensional datasets. We used machine learning to identify structural and functional connectivity biomarkers most predictive of motor function. Forty-nine children with perinatal stroke and 27 controls were studied. Functional connectivity was quantified by fluctuations in blood oxygen-level dependent (BOLD) signal between regions. White matter tractography of corticospinal tracts quantified structural connectivity. Motor function was assessed using validated bimanual and unimanual tests. RELIEFF feature selection and random forest regression models identified predictors of each motor outcome using neuroimaging and demographic features. Unilateral motor outcomes were predicted with highest accuracy (8/54 features r = 0.58, 11/54 features, r = 0.34) but bimanual function required more features (51/54 features, r = 0.38). Connectivity of both hemispheres had important roles as did cortical and subcortical regions. Lesion size, age at scan, and type of stroke were predictive but not highly ranked. Machine learning regression models may represent a powerful tool in identifying neuroimaging biomarkers associated with clinical motor function in perinatal stroke and may inform personalized targets for neuromodulation.
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 | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 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 ».