Automatically targeting the dorsolateral subthalamic nucleus for functional connectivity-guided rTMS therapy
Notice bibliographique
Résumé
Aim: Many resting-state functional magnetic resonance imaging (rs-fMRI) studies have provided evidence that repetitive transcranial magnetic stimulation (rTMS) exerts treatment effects via functional connectivity (FC) from a superficial stimulation target to a deep effective region. The dorsolateral subthalamic nucleus (DL-STN) is an effective target in deep brain stimulation surgery for Parkinson’s disease (PD), but its targeting highly depends on well-trained neurosurgeons and is not easily used for FC-guided rTMS. We aimed to devise a method for automatically localizing the DL-STN, and further develop a one-stop plug-in of rs-fMRI FC analysis to assist future individualized FC-guided rTMS. Methods: Based on structural and iron-sensitive MRI of 78 participants, two raters defined the DL-STN coordinates with very high reliability. The averaged coordinates in the standard Montreal Neurological Institute (MNI) space were: left DL-STN, x: -11.89 ± 0.82, y: -14.51 ± 1.00, and z: -6.40 ± 1.01 and the right DL-STN, x: 12.53 ± 0.77, y: -13.97 ± 0.86, and z: -6.57 ± 0.99. As the individual distances from the averaged coordinates were less than 3 mm (within one voxel for most rs-fMRI studies) for all 78 participants, we defined the average coordinates as AutoSTN. We then developed a one-stop plug-in named Connectivity and Coordinates Converting Assistant Toolbox (CC-CAT) and performed AutoSTN FC analysis. Results: The AutoSTN seed showed significant FC with the motor cortices in all participants. Conclusion: The AutoSTN-based rs-fMRI FC could guide future rTMS on PD. The one-stop plug-in CC-CAT can be used for any FC-guided rTMS treatment.
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) | 0,001 | 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) | 0,002 | 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 ».