Machine learning techniques based on 18F-FDG PET radiomics features of temporal regions for the classification of temporal lobe epilepsy patients from healthy controls
Notice bibliographique
Résumé
Background This study aimed to investigate the clinical application of 18F-FDG PET radiomics features for temporal lobe epilepsy and to create PET radiomics-based machine learning models for differentiating temporal lobe epilepsy (TLE) patients from healthy controls. Methods A total of 347 subjects who underwent 18F-FDG PET scans from March 2014 to January 2020 (234 TLE patients: 25.50 ± 8.89 years, 141 male patients and 93 female patients; and 113 controls: 27.59 ± 6.94 years, 48 male individuals and 65 female individuals) were allocated to the training (n = 248) and test (n = 99) sets. All 3D PET images were registered to the Montreal Neurological Institute template. PyRadiomics was used to extract radiomics features from the temporal regions segmented according to the Automated Anatomical Labeling (AAL) atlas. The least absolute shrinkage and selection operator (LASSO) and Boruta algorithms were applied to select the radiomics features significantly associated with TLE. Eleven machine-learning algorithms were used to establish models and to select the best model in the training set. Results The final radiomics features (n = 7) used for model training were selected through the combinations of the LASSO and the Boruta algorithms with cross-validation. All data were randomly divided into a training set (n = 248) and a testing set (n = 99). Among 11 machine-learning algorithms, the logistic regression (AUC 0.984, F1-Score 0.959) model performed the best in the training set. Then, we deployed the corresponding online website version ( https://wane199.shinyapps.io/TLE_Classification/ ), showing the details of the LR model for convenience. The AUCs of the tuned logistic regression model in the training and test sets were 0.981 and 0.957, respectively. Furthermore, the calibration curves demonstrated satisfactory alignment (visually assessed) for identifying the TLE patients. Conclusion The radiomics model from temporal regions can be a potential method for distinguishing TLE. Machine learning-based diagnosis of TLE from preoperative FDG PET images could serve as a useful preoperative diagnostic tool.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 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 | 0,000 | 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 ».