Advanced Analysis of Diffusion Tensor Imaging Along With Machine Learning Provides New Sensitive Measures of Tissue Pathology and Intra-Lesion Activity in Multiple Sclerosis
Notice bibliographique
Résumé
Tissue pathology in multiple sclerosis (MS) is highly complex, requiring multi-dimensional analysis. In this study, our goal was to test the feasibility of obtaining high angular resolution diffusion imaging (HARDI) metrics through single-shell modeling of diffusion tensor imaging (DTI) data, and investigate how advanced measures from single-shell HARDI and DTI tractography perform relative to classical DTI metrics in assessing MS pathology. We examined 52 relapsing-remitting MS patients who had 3T anatomical brain MRI and DTI. Single-shell HARDI modeling yielded 5 sub-voxel-based metrics, totalling 11 diffusion measures including 4 DTI and 2 tractography metrics. Based on machine learning of 3-dimensional regions of interest, we evaluated the importance of the measures through several tissue classification tasks. These included two within-subject comparisons: lesion versus normal appearing white matter (NAWM); and lesion core versus shell. Further, by stratifying patients as having high (above 75%ile) and low (below 25%ile) number of MS lesions, we also performed 2 classifications between subjects for lesions and NAWM respectively. Results showed that in lesion-NAWM analysis, HARDI orientation distribution function (ODF) energy, DTI fractional anisotropy (FA), and HARDI orientation dispersion index were the top three metrics, which together achieved 65.2% accuracy and 0.71 area under the receiver operating characteristic curve (AUROC). In core-shell analysis, DTI mean diffusivity (MD), radial diffusivity, and FA were the top three metrics, and MD dominated the classification, which achieved 59.3% accuracy and 0.59 AUROC alone. Between patients, FA was the leading feature in lesion comparisons, while ODF energy was the best in NAWM separation. Collectively, single-shell modeling of common diffusion data can provide robust orientation measures of lesion and NAWM pathology, and DTI metrics are most sensitive to intra-lesion abnormality. Combined analysis of both advanced and classical diffusion measures may be critical for improved understanding of MS pathology.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».