Multimodal Deep Learning for Pediatric Mild Traumatic Brain Injury Detection
Notice bibliographique
Résumé
Despite its prevalence, little is known about the pathophysiology of mild traumatic brain injury (mTBI). This makes it difficult for clinicians to accurately diagnose mTBI and to predict outcomes in affected children, thereby highlighting the urgent need to identify novel and efficacious biomarkers of pediatric mTBI. To address this important knowledge gap, this study introduced a multimodal magnetic resonance imaging (MRI) based deep learning approach toward the classification of mTBI as compared with mild orthopedic injury (OI) by considering both structural MRI (sMRI) and diffusion tensor imaging (DTI). Firstly, convolutional features were extracted by employing a pre-trained DenseNet to capture the morphological features of both modalities. Next, by employing Deep Canonical Correlation Analysis (DCCA), distinct features obtained from the sMRI and DTI data were integrated into a multi-modal embedding. The obtained DCCA fused compact multimodal features were then fed to a random forest (RF) classifier that was used to classify mTBI versus mild OI. Additionally, to visualize the intra-individually heterogeneous brain regions that DenseNet most heavily relied upon for making classification, Gradient-weighted Class Activation Mapping (Grad-CAM) was applied to the DenseNet outcomes for both modalities. According to the experimental outcomes on the clinical dataset, the introduced multimodal deep learning strategy improved the classification accuracy by 8.6% (from 75.8% to 84.4%) and 7.8% (from 76.6% to 84.4%) when compared to the unimodal morphological features, as generated from sMRI and DTI.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,002 | 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 ».