Cross-sectional and longitudinal Biomarker extraction and analysis for multicentre FLAIR brain MRI
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Fluid-attenuated inversion recovery (FLAIR) MRI has emerged as an important sequence for the analysis of cerebrovascular (CVD) and Alzheimer's disease (AD). Large-scale, automated cross-sectional and longitudinal cerebral biomarker extraction from FLAIR datasets could progress disease characterization, improve disease monitoring, and help to determine optimal intervention times. Despite this, most automated biomarker extraction algorithms are designed for T1-weighted or multi-modal inputs. In this work, automated tools were used to extract biomarkers from large, FLAIR-only datasets to evaluate the feasibility of this sequence to characterize healthy, AD, and CVD subjects in a similar manner to traditional approaches. Total brain volume (TBV), cerebrospinal fluid (CSF) volume, and white matter lesion (WML) volume was measured for the cross-sectional biomarkers and the corresponding annual rates of change over multiple scans represented the longitudinal biomarkers. Biomarkers were extracted from two dementia cohorts (4356 vol, 162 233 images) and one vascular disease cohort (869 vol, 42 850 images) using deep learning-based segmentation algorithms designed specifically for FLAIR. Biomarkers from all cohorts were summarized using descriptive statistics, correlation analysis, and ANCOVA to assess differences in diagnostic labels while accounting for demographic and acquisition factors. Biomarkers from FLAIR MRI had similar trends with those extracted from traditional modalities in the literature for characterizing healthy, AD, and CVD subjects. This demonstrates that FLAIR MRI can be used for end-to-end analysis of large AD and CVD datasets, which can lower acquisition costs, simplify clinical translation, and reduce measurement error associated with multi-modal approaches.
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.
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) | 0,000 | 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 découle