Characterization of multiple sclerosis neuroinflammation and neurodegeneration with relaxation and diffusion basis spectrum imaging
Notice bibliographique
Résumé
Background: Advanced magnetic resonance imaging (MRI) methods can provide more specific information about various microstructural tissue changes in multiple sclerosis (MS) brain. Quantitative measurement of T 1 and T 2 relaxation, and diffusion basis spectrum imaging (DBSI) yield metrics related to the pathology of neuroinflammation and neurodegeneration that occurs across the spectrum of MS. Objective: To use relaxation and DBSI MRI metrics to describe measures of neuroinflammation, myelin and axons in different MS subtypes. Methods: 103 participants (20 clinically isolated syndrome (CIS), 33 relapsing-remitting MS (RRMS), 30 secondary progressive MS and 20 primary progressive MS) underwent quantitative T 1 , T 2 , DBSI and conventional 3T MRI. Whole brain, normal-appearing white matter, lesion and corpus callosum MRI metrics were compared across MS subtypes. Results: A gradation of MRI metric values was seen from CIS to RRMS to progressive MS. RRMS demonstrated large oedema-related differences, while progressive MS had the most extensive abnormalities in myelin and axonal measures. Conclusion: Relaxation and DBSI-derived MRI measures show differences between MS subtypes related to the severity and composition of underlying tissue damage. RRMS showed oedema, demyelination and axonal loss compared with CIS. Progressive MS had even more evidence of increased oedema, demyelination and axonal loss compared with CIS and RRMS.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».