The Application of Diffusion Kurtosis Imaging on the Heterogeneous White Matter in Relapsing-Remitting Multiple Sclerosis
Notice bibliographique
Résumé
Objectives To evaluate the microstructural damage in the heterogeneity of different white matter areas in relapsing-remitting multiple sclerosis (RRMS) patients by using diffusion kurtosis imaging (DKI) and its correlation with clinical and cognitive status. Materials and Methods Kurtosis fractional anisotropy (KFA), fractional anisotropy (FA), mean kurtosis (MK), and mean diffusivity (MD) in T1-hypointense lesions (T1Ls), pure T2-hyperintense lesions (pure-T2Ls), normal-appearing white matter (NAWM), and white matter in healthy controls (WM in HCs) were measured in 48 RRMS patients and 26 sex- and age-matched HCs. All the participants were assessed with the Mini-Mental State Examination (MMSE), the Montreal Cognitive Assessment (MoCA), and the Symbol Digit Modalities Test (SDMT) scores as the cognitive status. The Kurtzke Expanded Disability Status Scale (EDSS) scores were used to evaluate the clinical status in RRMS patients. Results The lowest KFA, FA, and MK values and the highest MD values were found in T1Ls, followed by pure-T2Ls, NAWM, and WM in HCs. The T1Ls and pure-T2Ls were significantly different in FA ( p = 0.002) and MK ( p = 0.013), while the NAWM and WM in HCs were significantly different in KFA, FA, and MK ( p < 0.001; p < 0.001; p = 0.001). The KFA, FA, MK, and MD values in NAWM ( r = 0.360, p = 0.014; r = 0.415, p = 0.004; r = 0.369, p = 0.012; r = −0.531, p < 0.001) were correlated with the MMSE scores and the FA, MK, and MD values in NAWM ( r = 0.423, p = 0.003; r = 0.427, p = 0.003; r = −0.359, p = 0.014) were correlated with the SDMT scores. Conclusion Applying DKI to the imaging-based white matter classification has the potential to reflect the white matter damage and is correlated with cognitive impairment.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».