Myelin heterogeneity for assessing normal appearing white matter myelin damage in multiple sclerosis
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Conventional MRI measures of multiple sclerosis (MS) disease severity, such as lesion volume and brain atrophy, do not provide information about microstructural tissue changes, which may be driving physical and cognitive progression. Myelin damage in normal-appearing white matter (NAWM) is likely an important contributor to MS disability. Myelin water fraction (MWF) provides quantitative measurements of myelin. Mean MWF reflects average myelin content, while MWF standard deviation (SD) describes variation in myelin within regions. The myelin heterogeneity index (MHI = SD/mean MWF) is a composite metric of myelin content and myelin variability. We investigated how mean MWF, SD, and MHI compare in differentiating MS from controls and their associations with physical and cognitive disability. METHODS: Myelin water imaging data were acquired from 91 MS participants and 31 healthy controls (HC). Segmented whole-brain NAWM and corpus callosum (CC) NAWM, mean MWF, SD, and MHI were compared between groups. Associations of mean MWF, SD, and MHI with Expanded Disability Status Scale and Symbol Digit Modalities Test were assessed. RESULTS: NAWM and CC MHI had the highest area under the curve: .78 (95% confidence interval [CI]: .69, .86) and .84 (95% CI: .76, .91), respectively, distinguishing MS from HC. CONCLUSIONS: Mean MWF, SD, and MHI provide complementary information when assessing regional and global NAWM abnormalities in MS and associations with clinical outcome measures. Examining all three metrics (mean MWF, SD, and MHI) enables a more detailed interpretation of results, depending on whether regions of interest include areas that are more heterogeneous, earlier in the demyelination process, or uniformly injured.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».