Multimodal Investigation of Deep Gray Matter Nucleus in Patients with Multiple Sclerosis and Their Clinical Correlations: A Multivariate Pattern Analysis Study
Notice bibliographique
Résumé
Deep gray matter (DGM) nucleus are involved in patients with multiple sclerosis (MS) and are strongly associated with clinical symptoms. We used machine learning approach to further explore microstructural alterations in DGM of MS patients. One hundred and fifteen MS patients and seventy-one healthy controls (HC) underwent brain MRI. The fractional anisotropy (FA), mean diffusivity (MD), quantitative susceptibility value (QSV) and volumes of the caudate nucleus (CN), putamen (PT), globus pallidus (GP), and thalamus (TH) were measured. Multivariate pattern analysis, based on a machine-learning algorithm, was applied to investigate the most damaged regions. Partial correlation analysis was used to investigate the correlation between MRI quantitative metrics and clinical neurological scores. The area under the curve of FA-based classification model was 0.83, while they were 0.93 for MD and 0.81 for QSV. The Montreal cognitive assessment scores were correlated with the volume of the DGM and the expanded disability status scale scores were correlated with the MD of the GP and PT. The study results indicated that MS patients had involvement of DGM with the CN being the most affected. The atrophy of DGM in MS patients mainly affected cognitive function and the microstructural damage of DGM was mainly correlated with clinical disability.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 ».