Prediction of Post Traumatic Epilepsy Using <scp>MR</scp>‐Based Imaging Markers
Notice bibliographique
Résumé
Post-traumatic epilepsy (PTE) is a debilitating neurological disorder that develops after traumatic brain injury (TBI). Despite the high prevalence of PTE, current methods for predicting its occurrence remain limited. In this study, we aimed to identify imaging-based markers for the prediction of PTE using machine learning. Specifically, we examined three imaging features: Lesion volumes, resting-state fMRI-based measures of functional connectivity, and amplitude of low-frequency fluctuation (ALFF). We employed three machine-learning methods, namely, kernel support vector machine (KSVM), random forest, and an artificial neural network (NN), to develop predictive models. Our results showed that the KSVM classifier, with all three feature types as input, achieved the best prediction accuracy of 0.78 AUC (area under the receiver operating characteristic (ROC) curve) using nested cross-validation. Furthermore, we performed voxel-wise and lobe-wise group difference analyses to investigate the specific brain regions and features that the model found to be most helpful in distinguishing PTE from non-PTE populations. Our statistical analysis uncovered significant differences in bilateral temporal lobes and cerebellum between PTE and non-PTE groups. Overall, our findings demonstrate the complementary prognostic value of MR-based markers in PTE prediction and provide new insights into the underlying structural and functional alterations associated with PTE.
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».