Classifying youth with bipolar disorder versus healthy youth using cerebral blood flow patterns
Notice bibliographique
Résumé
Background: Clinical neuroimaging studies often investigate group differences between patients and controls, yet multivariate imaging features may enable individual-level classification. This study aims to classify youth with bipolar disorder (BD) versus healthy youth using grey matter cerebral blood flow (CBF) data analyzed with logistic regressions. Methods: Using a 3 Tesla magnetic resonance imaging (MRI) system, we collected pseudo-continuous, arterial spin-labelling, resting-state functional MRI (rfMRI) and T1-weighted images from youth with BD and healthy controls. We used 3 logistic regression models to classify youth with BD versus controls, controlling for age and sex, using mean grey matter CBF as a single explanatory variable, quantitative CBF features based on principal component analysis (PCA) or relative (intensity-normalized) CBF features based on PCA. We also carried out a comparison analysis using rfMRI data. Results: The study included 46 patients with BD (mean age 17 yr, standard deviation [SD] 1 yr; 25 females) and 49 healthy controls (mean age 16 yr, SD 2 yr; 24 females). Global mean CBF and multivariate quantitative CBF offered similar classification performance that was above chance. The association between CBF images and the feature map was not significantly different between groups ( p = 0.13); however, the multivariate classifier identified regions with lower CBF among patients with BD (Δ CBF = −2.94 mL/100 g/min; permutation test p = 0047). Classification performance decreased when considering rfMRI data. Limitations: We cannot comment on which CBF principal component is most relevant to the classification. Participants may have had various mood states, comorbidities, demographics and medication records. Conclusion: Brain CBF features can classify youth with BD versus healthy controls with above-chance accuracy using logistic regression. A global CBF feature may offer similar classification performance to distinct multivariate CBF features.
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 | 0,003 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».