Pseudo-Resting-State Functional MRI Derived from Dynamic Susceptibility Contrast Perfusion MRI Can Predict Cognitive Impairment in Glioma
Notice bibliographique
Résumé
ABSTRACT BACKGROUND AND PURPOSE: Resting-state functional MRI (rs-fMRI) can be used to estimate functional connectivity (FC) between different brain regions, which may be of value for identifying cognitive impairment in patients with brain tumors. Unfortunately, neither rs-fMRI nor neurocognitive assessments are routinely assessed clinically, mostly due to limitations in exam time and cost. Since DSC perfusion MRI is often used clinically to assess tumor vascularity and similarly uses a gradient echo-EPI sequence for T2*sensitivity, we theorized a “pseudo-rs-fMRI" signal could be derived from DSC perfusion to simultaneously quantify FC and perfusion metrics, and these metrics can be used to estimate cognitive impairment in patients with brain tumors. MATERIALS AND METHODS: N=24 consecutive patients with gliomas were enrolled in a prospective study that included DSC perfusion MRI, rs-fMRI, and neurocognitive assessment. Voxel-wise modeling of contrast bolus dynamics during DSC acquisition was performed and then subtracted from the original signal to generate a residual “pseudo-rs-fMRI” signal. Following the pre-processing of pseudo-rs-fMRI, full rs-fMRI, and a truncated version of the full rs-fMRI (first 100 timepoints) data, the default mode, motor, and language network maps were generated with atlas-based ROIs. Dice scores were calculated for the resting-state network maps from pseudo-rs-fMRI and truncated rs-fMRI using the full rs-fMRI maps as reference. Seed-to-voxel and ROI-to-ROI analyses were performed to assess FC differences between cognitively impaired and non-impaired patients. RESULTS: Dice scores for the group-level and patient-level (mean±SD) default mode, motor, and language network maps using pseudo-rs-fMRI were 0.905/0.689±0.118 (group/patient), 0.973/0.730±0.124, and 0.935/0.665±0.142, respectively. There was no significant difference in Dice scores between pseudo-rs-fMRI and the truncated rs-fMRI default mode (P=0.97) or language networks (P=0.30), but there was a difference in motor networks (P=0.02). A multiple logistic regression classifier applied to ROI-to-ROI FC networks using pseudo-rs-fMRI could identify cognitively impaired patients (Sensitivity=84.6%, Specificity=63.6%, ROC AUC=0.7762±0.0954 (SE), P=0.0221) and performance was not significantly different than full rs-fMRI predictions (AUC=0.8881±0.0733 (SE), P=0.0013, P=0.29 compared to pseudo-rs-fMRI). CONCLUSIONS: DSC perfusion MRI-derived pseudo-rs-fMRI data can be used to perform typical rs-fMRI FC analyses that may identify cognitive decline in patients with brain tumors while still simultaneously performing perfusion analyses. ABBREVIATIONS: AUC = Area under curve; BOLD = Blood oxygenation level dependent; FC = Functional connectivity; MNI = Montreal Neurological Institute; ROC = Receiver operating characteristic; Rs-fMRI = Resting-state functional MRI
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 | 0,000 | 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 | 0,000 |
| 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 ».