P.115 MRI based methodology for assessment of white matter neuroplasticity: preclinical validation using human motor training data
Notice bibliographique
Résumé
Background: Disruption of white matter (WM) tracts is common in traumatic injury to the brain and spinal cord. However, imaging techniques for prognostication and monitoring of recovery are lacking. Myelin Water Imaging (MWI) is a validated MRI based method of quantifying myelin volume and represents a potential tool for application in a clinical environment. Methods: 12 healthy, right-handed participants completed a two-week visuomotor maze training program with MRI scans at baseline and endpoint. The task was designed to be difficult for the non-dominant hand and easy for the dominant, allowing for an inbuilt control. Diffusion Tensor Imaging (DTI) along with MWI data were collected at both timepoints using a 3T MRI. Results: Performance metrics confirmed task performance increased only in the non-dominant hand, and a corresponding endpoint>baseline comparison showed significant increases in the MWF (p<0.05) and DTI indices (p<0.05) in the right corticospinal tract (CST), and no significant change in the left CST. Conclusions: This preclinical validation shows MWI is capable of quantitatively tracking WM changes over the course of weeks in humans. MWI’s clinical utility lies in its ability to assess WM changes over short time periods, as monitoring changes in tissue integrity will assist in guiding treatment decisions after critical injury.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,007 | 0,003 |
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 ».