Decomposing MRI phenotypic heterogeneity in epilepsy: a step towards personalized classification
Notice bibliographique
Résumé
In drug-resistant temporal lobe epilepsy, precise predictions of drug response, surgical outcome and cognitive dysfunction at an individual level remain challenging. A possible explanation may lie in the dominant 'one-size-fits-all' group-level analytical approaches that does not allow parsing interindividual variations along the disease spectrum. Conversely, analysing inter-patient heterogeneity is increasingly recognized as a step towards person-centred care. Here, we used unsupervised machine learning to estimate latent relations (or disease factors) from 3 T multimodal MRI features [cortical thickness, hippocampal volume, fluid-attenuated inversion recovery (FLAIR), T1/FLAIR, diffusion parameters] representing whole-brain patterns of structural pathology in 82 patients with temporal lobe epilepsy. We assessed the specificity of our approach against age- and sex-matched healthy individuals and a cohort of frontal lobe epilepsy patients with histologically verified focal cortical dysplasia. We identified four latent disease factors variably co-expressed within each patient and characterized by ipsilateral hippocampal microstructural alterations, loss of myelin and atrophy (Factor 1), bilateral paralimbic and hippocampal gliosis (Factor 2), bilateral neocortical atrophy (Factor 3) and bilateral white matter microstructural alterations (Factor 4). Bootstrap analysis and parameter variations supported high stability and robustness of these factors. Moreover, they were not expressed in healthy controls and only negligibly in disease controls, supporting specificity. Supervised classifiers trained on latent disease factors could predict patient-specific drug response in 76 ± 3% and postsurgical seizure outcome in 88 ± 2%, outperforming classifiers that did not operate on latent factor information. Latent factor models predicted inter-patient variability in cognitive dysfunction (verbal IQ: r = 0.40 ± 0.03; memory: r = 0.35 ± 0.03; sequential motor tapping: r = 0.36 ± 0.04), again outperforming baseline learners. Data-driven analysis of disease factors provides a novel appraisal of the continuum of interindividual variability, which is probably determined by multiple interacting pathological processes. Incorporating interindividual variability is likely to improve clinical prognostics.
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 | 0,003 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».