Non-parametric combination of multimodal MRI for lesion detection in focal epilepsy
Notice bibliographique
Résumé
One third of patients with medically refractory focal epilepsy have normal-appearing MRI scans. This poses a problem as identification of the epileptogenic region is required for surgical treatment. This study performs a multimodal voxel-based analysis (VBA) to identify brain abnormalities in MRI-negative focal epilepsy. Data was collected from 69 focal epilepsy patients (42 with discrete lesions on MRI scans, 27 with no visible findings on scans), and 62 healthy controls. MR images comprised T1-weighted, fluid-attenuated inversion recovery (FLAIR), fractional anisotropy (FA) and mean diffusivity (MD) from diffusion tensor imaging, and neurite density index (NDI) from neurite orientation dispersion and density imaging. These multimodal images were coregistered to T1-weighted scans, normalized to a standard space, and smoothed with 8 mm FWHM. Initial analysis performed voxel-wise one-tailed t-tests separately on grey matter concentration (GMC), FLAIR, FA, MD, and NDI, comparing patients with epilepsy to controls. A multimodal non-parametric combination (NPC) analysis was also performed simultaneously on FLAIR, FA, MD, and NDI. Resulting p-maps were family-wise error rate corrected, threshold-free cluster enhanced, and thresholded at p < 0.05. Sensitivity was established through visual comparison of results to manually drawn lesion masks or seizure onset zone (SOZ) from stereoelectroencephalography. A leave-one-out cross-validation with the same analysis protocols was performed on controls to determine specificity. NDI was the best performing individual modality, detecting focal abnormalities in 38% of patients with normal MRI and conclusive SOZ. GMC demonstrated the lowest sensitivity at 19%. NPC provided superior performance to univariate analyses with 50% sensitivity. Specificity in controls ranged between 96 and 100% for all analyses. This study demonstrated the utility of a multimodal VBA utilizing NPC for detecting epileptogenic lesions in MRI-negative focal epilepsy. Future work will apply this approach to datasets from other centres and will experiment with different combinations of MR sequences.
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 | 0,002 |
| 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) | 0,000 | 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 ».