Quantification of Neuromelanin as a Neuroimaging Biomarker for Parkinson’s Disease
Notice bibliographique
Résumé
Loss of signals from substantia nigra (SN) and locus coeruleus (LC) on neuromelanin (NM)-sensitive sequences of MRI is reported as a potential biomarker in patients with Parkinson's disease (PD) and related diseases. This scoping review aims to consolidate current knowledge on MRI techniques to visualize and quantify these signals and their clinical applications in PD. Publicly available databases were searched for original studies using MRI to quantify NM in PD and other related disorders. Different studies were compared based on MRI sequence, quantification techniques and correlations with clinical scores. Furthermore, studies on genetic forms of PD and prodromal PD were also evaluated and compared. The most common MRI sequences used were T1-weighted sequences and gradient echo sequences. Different studies used different quantitative measures such as signal-to-noise ratio, contrast-to-noise ratio and contrast ratio. Morphometric evaluations such as volume and area of the SN and LC signals were also used. Most studies showed evidence of significant difference in the signals in different stages of PD compared to controls both at the SN and LC. There were significant correlations between the SN and LC signals and clinical scores. Hence, quantification of these signals may be reliable in diagnosis and disease monitoring in PD. The relative ease of signal quantification and widespread availability of MRI may make it a quantitative surrogate biomarker.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».