Advanced MRI methods for probing disease severity and functional decline in multiple sclerosis
Notice bibliographique
Résumé
Multiple sclerosis (MS) is a chronic and severe disease of the central nervous system characterized by complex pathology including inflammatory demyelination and neurodegeneration. MS impacts >2.8 million people worldwide, with most starting with a relapsing-remitting form (RRMS) in young adulthood, and many of them worsening to a secondary-progressive course (SPMS) despite treatment. So, there is a clear need for improved disease characterization. MRI is an ideal tool for non-invasive assessment of MS pathology, but there is still no established measure of disease activity and functional consequences. This project aims to overcome the challenge by developing novel imaging measures based on brain diffusion MRI and phase congruency texture analysis of conventional MRI. Through advanced modeling and analysis of clinically feasible brain MRI, this thesis investigates whether and how the derived measures differentiate MS pathology types and disease severity and predict functional outcomes in MS. The overall process has led to important technical innovations in several aspects. These include: innovative modeling of simple diffusion acquisitions to generate high angular resolution diffusion imaging (HARDI) measures; new optimization and harmonization techniques for diffusion MRI; innovative neural network models to create new diffusion data for comprehensive HARDI modeling; and novel methods and a graphic user interface for optimizing phase congruency analyses. Assisted by different machine learning methods, collective findings show that advanced measures from both diffusion MRI and phase congruency are highly sensitive to subtle differences in MS pathology, which differentiate disease severity between RRMS and SPMS through multi-dimensional analyses including chronic active lesions, and predict functional outcomes especially in physical and neurocognitive domains. These results are clinically translational and the new measures and techniques can help improve the evaluation and management of both MS and similar diseases.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».