The structural, functional, and neurophysiological connectome of mild traumatic brain injury: a DTI, fMRI and MEG multimodal clustering and data fusion study
Notice bibliographique
Résumé
Abstract The clinical presentation and neurobiology of mild traumatic brain injury (mTBI) - also referred to as concussion - are complex and multifaceted, and interrelationships between neurobiological measures derived from neuroimaging are poorly understood. This study applied machine learning (ML) to multimodal whole-brain functional connectomes from magnetoencephalography (MEG) and functional magnetic resonance imaging (fMRI), and structural connectomes from diffusion tensor imaging (DTI) in a test of discriminative accuracy in cases of mTBI. Resting state MEG (amplitude envelope correlations), fMRI (BOLD correlations), and DTI (fractional anisotropy, FA; streamline count, SC) connectome data was acquired in 26 controls without mTBI (all male; 27.6 ± 4.7 years) and 24 participants with mTBI (all male; 29.7 ± 6.7 years) in the acute-subacute phase of injury. ML with data fusion was used to optimally identify modalities and brain features for discriminating individuals with mTBI from those without. Univariate group differences were only found for MEG functional connectivity, while no differences were found for fMRI or DTI. Functional connectivity (fMRI and MEG) showed robust unimodal classification accuracy for mTBI, followed by structural connectivity (DTI), where FA showed marginally better classification performance than SC, but SC outperformed FA in data interpretation and fusion. Perfect, unsupervised separation of participants with and without mTBI was achieved through participant fusion maps featuring all three data modalities. Finally, the MEG-only full feature fusion map showed group differences, and this effect was eliminated upon integrating DTI and fMRI datasets. The markers identified here align well with prior multimodal findings in concussion and highlight modality-specific considerations for their use in understanding network abnormalities of mTBI.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».