Brain age gap in neuromyelitis optica spectrum disorders and multiple sclerosis
Notice bibliographique
Résumé
OBJECTIVE: To evaluate the clinical significance of deep learning-derived brain age prediction in neuromyelitis optica spectrum disorder (NMOSD) relative to relapsing-remitting multiple sclerosis (RRMS). METHODS: This cohort study used data retrospectively collected from 6 tertiary neurological centres in China between 2009 and 2018. In total, 199 patients with NMOSD and 200 patients with RRMS were studied alongside 269 healthy controls. Clinical follow-up was available in 85 patients with NMOSD and 124 patients with RRMS (mean duration NMOSD=5.8±1.9 (1.9-9.9) years, RRMS=5.2±1.7 (1.5-9.2) years). Deep learning was used to learn 'brain age' from MRI scans in the healthy controls and estimate the brain age gap (BAG) in patients. RESULTS: A significantly higher BAG was found in the NMOSD (5.4±8.2 years) and RRMS (13.0±14.7 years) groups compared with healthy controls. A higher baseline disability score and advanced brain volume loss were associated with increased BAG in both patient groups. A longer disease duration was associated with increased BAG in RRMS. BAG significantly predicted Expanded Disability Status Scale worsening in patients with NMOSD and RRMS. CONCLUSIONS: There is a clear BAG in NMOSD, although smaller than in RRMS. The BAG is a clinically relevant MRI marker in NMOSD 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 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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».