Hippocampal Functional Radiomic Features for Identification of the Cognitively Impaired Patients from Low-Back-Related Pain: A Prospective Machine Learning Study
Notice bibliographique
Résumé
Purpose: To investigate whether functional radiomic features in bilateral hippocampi can identify the cognitively impaired patients from low-back-related leg pain (LBLP). Patients and Methods: For this retrospective study, a total of 95 clinically definite LBLP patients (40 cognitively impaired patients and 45 cognitively preserved patients) were included, and all patients underwent functional MRI and clinical assessments. After calculating the amplitude of low-frequency fluctuations (ALFF), regional homogeneity (ReHo), voxel-mirrored homotopic connectivity (VMHC) and degree centrality (DC) imaging, the radiomic features (n = 819) of bilateral hippocampi were extracted from these images, respectively. After feature selection, machine learning models were trained. Finally, we further analyzed the relationship between the hippocampal functional radiomic features and clinical measures, to explore the clinical significance of these features. Results: The combined radiomic features model logistic regression algorithm superior performance in distinguishing cognitively impaired patients from LBLP (AUC = 0.970, accuracy = 92.3%, sensitivity = 92.3%, specificity = 92.3%) compared to the other models. Additionally, radiomic wavelet features were correlated with Montreal Cognitive Assessment (MoCA) and Hamilton Anxiety Scale, present pain intensity scores in cognitively impaired LBLP patients ( P < 0.05, with Bonferroni correction). Conclusion: Hippocampal functional radiomic features are valuable for diagnosing cognitively impaired patients from LBLP. Keywords: cognitive impairment, resting-state functional MRI, low-back-related leg pain, radiomic, logistic regression algorithm
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 | 0,014 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,002 |
| 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 ».