Utility of Multi-Modal MRI for Differentiating of Parkinson's Disease and Progressive Supranuclear Palsy Using Machine Learning
Notice bibliographique
Résumé
Background: Patients with Parkinson's disease (PD) and progressive supranuclear palsy Richardson's syndrome (PSP-RS) often show overlapping clinical features, leading to misdiagnoses. The objective of this study was to investigate the feasibility and utility of using multi-modal MRI datasets for an automatic differentiation of PD patients, PSP-RS patients, and healthy control (HC) subjects. Material and Methods: T1-weighted, T2-weighted, and diffusion-tensor (DTI) MRI datasets from 45 PD patients, 20 PSP-RS patients, and 38 HC subjects were available for this study. Using an atlas-based approach, regional values of brain morphology (T1-weighted), brain iron metabolism (T2-weighted), and microstructural integrity (DTI) were measured and employed for feature selection and subsequent classification using combinations of various established machine learning methods. Results: The optimal machine learning model using regional morphology features only achieved a classification accuracy of 65% (67/103 correct classifications) differentiating PD patients, PSP-RS patients, and HC subjects. The optimal machine learning model using only quantitative T2 values performed slightly better and achieved an accuracy of 75.7% (78/103). The optimal classifier using DTI features alone performed considerably better with 95.1% accuracy (98/103). The optimal multi-modal classifier using all features also achieved an accuracy of 95.1% but required more features and achieved a slightly lower F1-score compared to the optimal model using DTI features alone. Conclusion: Machine learning models using multi-modal MRI perform significantly better than uni-modal machine learning models using morphological parameters based on T1-weighted MRI datasets alone or brain iron metabolism markers based on T2-weighted MRI datasets alone. However, machine learnig models using regional brain microstructural integrity metrics computed from DTI datasets perform similar to the optimal multi-modal machine learning model. Thus, given the results from this study cohort, it appears that morphology and brain iron metabolism markers may not provide additional value for classification compared to using DTI metrics alone.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».