Evaluating Spatial Filtering on Diffusion MRI Data Harmonization in Parkinsonism
Notice bibliographique
Résumé
Background: Parkinsonism is an umbrella term encompassing several disease pathologies that share common motor symptoms. The most prevalent diagnosis is Parkinson’s disease, followed by multiple system atrophy, and progressive supranuclear palsy. Early detection and differentiation between types of Parkinsonism remain an issue in clinical practice.Objective: MRI has the potential to aid the diagnosis of Parkinsonisms. A major hurdle is combining and harmonizing the data across different MRI vendors. The objective of this study was to determine if a full width half maximum gaussian spatial filter helps harmonize data sets collected from different scanners.Methods: Using 17 different MRI scanners, data was collected from 1,002 subjects. First, the data were spatially filtered using different sizes (no filter, 2mm, 4mm, 6mm). Data were then preprocessed and transformed into Montreal Neurological Institute (MNI) space. Next, support vector machine learning tested the training and validation accuracy of predicting diagnosis at each spatial filter setting.Results: The training and validation data for weighted sensitivity, specificity, and accuracy were similar for all filter conditions. Differences between the weighted sensitivity, specificity, and accuracy of the training groups for all filter sizes were less than 0.1 and less than 0.2 for validation groups.Conclusions: Training and validation predictions did not differ across spatial filters, suggesting the accuracy of the algorithm is robust at different spatial filter sizes. In conclusion, the size of the spatial filter applied to diffusion MRI data does not result in a change in the outcome of the machine learning approach.
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 | 0,018 | 0,044 |
| 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 | 0,001 | 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 ».