Classifying chronic pain conditions using deep learning and resting-state fMRI
Notice bibliographique
Résumé
Introduction: Due to its comorbidities with other symptoms and lack of effective treatments, chronic pain is considered a complex disease. At the same time, advancements in brain imaging, the spread of machine learning methods, and the creation of new diagnostic tools based on these technologies have demonstrated that these tools may be an option for assisting healthcare professionals in making decisions. However, a growing body of research in neuroimaging suggests that functional networks show dynamic changes in connection strength as well as variable phase difference (nonzero time-lag) between regions. Our goal is to compare performances in developing and evaluating deep learning (DL) and traditional machine learnings (MLs) in predicting chronic pain.Methods: A resting state functional MRI (rsfMRI) data with pain status were obtained from UK BioBank (UKBB) 6500 dataset. We computed functional brain activity to evaluate how well the 6 ML models (i.e., K-Nearest Neighbors (KNN), Logistic Regression (LR), Random Forest (RF), XGBoost (XGB), AdaBoost (Ada), LightGBM (GBM) and convolutional neural network (CNN), categorized chronic pain patients and pain-free controls in this study. They were compared using Area Under the Curve (AUC).Results: Training a CNN with preprocessed images produced the best results. CNN has an AUC of 0.69 compared to KNN (AUC = 0.52), LR (AUC = 0.55), RF (AUC = 0.54), XGB (AUC = 0.54), Ada (AUC = 0.52), and GBM (AUC = 0.54).Conclusion: The idea that resting-state fMRI data could be used as a biomarker for chronic pain conditions is supported by these findings.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».