Multimodal imaging measures in the prediction of clinical response to deep brain stimulation for refractory depression: A machine learning approach
Notice bibliographique
Résumé
Objectives This study compared machine learning models using unimodal imaging measures and combined multi-modal imaging measures for deep brain stimulation (DBS) outcome prediction in treatment resistant depression (TRD).Methods Regional brain glucose metabolism (CMRGlu), cerebral blood flow (CBF), and grey matter volume (GMV) were measured at baseline using 18F-fluorodeoxy glucose (18F-FDG) positron emission tomography (PET), arterial spin labelling (ASL) magnetic resonance imaging (MRI), and T1-weighted MRI, respectively, in 19 patients with TRD receiving subcallosal cingulate (SCC)-DBS. Responders (n = 9) were defined by a 50% reduction in HAMD-17 at 6 months from the baseline. Using an atlas-based approach, values of each measure were determined for pre-selected brain regions. OneR feature selection algorithm and the naïve Bayes model was used for classification. Leave-out-one cross validation was used for classifier evaluation.Results The performance accuracy of the CMRGlu classification model (84%) was greater than CBF (74%) or GMV (74%) models. The classification model using the three image modalities together led to a similar accuracy (84%0 compared to the CMRGlu classification model.Conclusions CMRGlu imaging measures may be useful for the development of multivariate prediction models for SCC-DBS studies for TRD. The future of multivariate methods for multimodal imaging may rest on the selection of complementing features and the developing better models.Clinical Trial Registration: ClinicalTrials.gov (#NCT 01983904)
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| 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 ».