Image-based machine learning model as a tool for classification of [18F]PR04.MZ PET images in patients with parkinsonian syndrome
Notice bibliographique
Résumé
Parkinsonian syndrome (PS) is characterized by bradykinesia, resting tremor, rigidity, and encapsulates the clinical manifestation observed in various neurodegenerative disorders. Positron emission tomography (PET) imaging plays an important role in diagnosing PS by detecting the progressive loss of dopaminergic neurons. This study aimed to develop and compare five machine-learning models for the automatic classification of 204 [ 18 F]PR04.MZ PET images, distinguishing between patients with PS and subjects without clinical evidence for dopaminergic deficit (SWEDD). Previously analyzed and classified by three expert blind readers into PS compatible (1) and SWEDDs (0), the dataset was processed in both two-dimensional and three-dimensional formats. Five widely used pattern recognition algorithms were trained and validated their performance. These algorithms were compared against the majority reading of expert diagnosis, considered the gold standard. Comparing the accuracy of 2D and 3D format images suggests that, without the depth dimension, a single image may overemphasize specific regions. Overall, three models outperformed with an accuracy greater than 98%, demonstrating that machine-learning models trained with [ 18 F]PR04.MZ PET images can provide a highly accurate and precise tool to support clinicians in automatic PET image analysis. This approach may be a first step in reducing the time required for interpretation, as well as increase certainty in the diagnostic process. • First image-based machine learning model constructed using [18F]PR04.MZ radiotracer. • Detects and classifies patients with parkinsonian syndrome. • Accurate and precise tools to support clinicians in an automatic PET image analysis. • Potentially reduce the time required to assess a patient and improve diagnostic certainty.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| 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 ».