Machine learning to detect brain lesions in focal epilepsy
Notice bibliographique
Résumé
<strong>PURPOSE:</strong> Identifying areas of abnormality on MRI brain scans in individuals with focal epilepsy is funda- mental to the diagnosis and treatment of the condition. However, in about a third of patients with focal epilepsy, brain scans appear to be normal (MRI-negative) as human observers cannot detect any abnormality with cur- rent imaging technology. The objective of this paper is to provide a novel approach in presenting localization using machine learning in order to locate areas of abnormality on patients with focal epilepsy on a per-voxel basis by comparing them with healthy controls. As a proof-of-concept, the technique is first applied to patients with visible lesions providing a ground truth (MRI-positive), but future work will extend this to MRI-negative subjects. <strong>METHODS:</strong> Our data consists of multi-modal brain MR images from 62 healthy control subjects and 44 MRI- positive patients with focal epilepsy. We utilized a support vector machine (SVM) as our probabilistic classifier and train it with two classes of data. We generate probability maps applying our machine learning classifier on all voxels of a test subjects to visualize the predictions. Overlap scores are used to evaluate the classifier performance in MRI-positive patients. <strong>RESULTS:</strong> Our model reached 83% specificity, 91% sensitivity, and an Area Under the Curve (AUC) of 0.896 for the task of voxel-based classification of normal versus abnormal voxels. In addition, Dice scores of up to 0.66 were achieved for the overlap measure of lesion probability map and the ground truth labels annotated by a neurologist. <strong>CONCLUSION:</strong> We demonstrated a novel approach in presenting localization using machine learning tech- niques to localize focal epilepsy lesions from multi-modal MR images.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 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 ».