Disparities in the diagnostic efficacy of radiomics models in predicting various degrees of cognitive impairment in patients with cerebral small vessel disease
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Aim to validate the diagnostic efficacy of radiomics models for predicting various degrees of cognitive impairment in patients with cerebral small vessel disease (CSVD). METHODS: Participants were divided into mild cognitive impairment group (mild-CSVD group) and sever cognitive impairment group (sever-CSVD group) according to Montreal Cognitive Assessment (MoCA) performance, 98 gender-age-education matched subjects served as normal controls. Radiomic features were extracted from the segmented hippocampus using PyRadiomics. The feature preprocessing involved replacing missing values with the mean, applying stratified random sampling to allocate subjects into training (80%) and testing (20%) sets, ensuring balance among the three classes (normal controls, mild-CSVD group, and sever-CSVD group). A feature selection method was applied to identify discriminative radiomic features, with the optimal texture feature chosen for developing diagnostic models. Performance was evaluated in both the training and testing sets using receiver operating characteristic (ROC) curve analysis. RESULTS: The radiomics model achieved an accuracy of 0.625, an AUC of 0.593, a sensitivity of 0.828, and a specificity of 0.316 in distinguishing mild-CSVD group from normal controls. When distinguishing mild-CSVD group from sever-CSVD group, the radiomics model reached an accuracy of 0.683, an AUC of 0.660, a sensitivity of 0.167, and a specificity of 0.897. Similarly, in distinguishing sever-CSVD group from normal controls, the radiomics model exhibited an accuracy of 0.781, an AUC of 0.818, a sensitivity of 0.538, and a specificity of 0.947. CONCLUSION: Radiomics model based on hippocampal texture had disparities in the diagnostic efficacy of radiomics models in predicting various degrees of cognitive impairment in patients with CSVD.
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.
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 | 0,001 | 0,002 |
| 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) | 0,000 | 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 découle