Sensitivity of diffusion tensor imaging to regional mixed cerebrovascular pathology
Notice bibliographique
Résumé
Abstract Diffusion tensor imaging is a candidate biomarker in cerebrovascular disease. Yet, little is known about the sensitivity of diffusion tensor imaging to mixed forms of cerebrovascular pathology: stroke and white matter hyperintensities. We evaluated the sensitivity of diffusion tensor imaging to regional lesion load, considering both stroke and white matter hyperintensity lesions. 65 older adults and 39 individuals with chronic stroke underwent diffusion tensor imaging and comprehensive cerebrovascular lesion segmentation. We tested relationships between fractional anisotropy or mean diffusivity and cerebrovascular lesions with linear mixed effects regression. In older adults, tract microstructure related to white matter hyperintensity lesion load (fractional anisotropy: b = −0.003, P = 0.003; mean diffusivity: b = 0.071 × 10−4, P < 0.001). In individuals with chronic stroke, tract microstructure related to stroke lesion load (fractional anisotropy: b = −0.041, P < 0.001; mean diffusivity: b = 1.460 × 10−4, P < 0.001), with a significant interaction between stroke and white matter hyperintensity lesion load (fractional anisotropy: b = 0.019, P < 0.001; mean diffusivity: b = −0.727 × 10−4, P < 0.001). Among both groups, whole-brain normal appearing white matter microstructure did not relate to whole-brain lesion volumes. Our findings provide foundational evidence for the use and interpretation of diffusion tensor imaging as a biomarker in cerebrovascular disease.
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 | 0,000 |
| 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 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 ».