Linking a Deep Learning Model for Concussion Classification with Reorganization of Large-Scale Brain Networks in Female Youth
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
Concussion, or mild traumatic brain injury, is a significant public health challenge, with females experiencing high rates and prolonged symptoms. Reliable and objective tools for early diagnosis are critically needed, particularly in pediatric populations, where subjective symptom reporting can be inconsistent and neurodevelopmental factors may influence presentation. Five minutes of resting-state (RS) EEG data were collected from non-concussed and concussed females between 15 and 24 years of age. We first applied a deep learning approach to classify concussion directly from raw, RS electroencephalography (EEG) data. A long short-term memory (LSTM) recurrent neural network trained on the raw data achieved 84.2% accuracy and an ensemble median area under the receiver operating characteristic curve (AUC) of 0.904. To complement these results, we examined causal connectivity at the source level using information flow rate to explore potential network-level changes associated with concussion. Effective connectivity in the non-concussed cohort was characterized by a symmetric pattern along the central–parietal midline; in contrast, the concussed group showed a more posterior and left-lateralized pattern. These spatial distribution changes were accompanied by significantly higher connection magnitudes in the concussed group (p < 0.001). While these connectivity changes may not directly drive classification, they provide evidence of large-scale brain reorganization following concussion. Together, our results suggest that deep learning models can detect concussion with high accuracy, while connectivity analyses may offer complementary mechanistic insights. Future work with larger datasets is necessary to refine the model specificity, explore subgroup differences related to hormone cycle changes and symptoms, and incorporate data across different sports.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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