Automatic detection of cortical dysplasia type II in MRI-negative epilepsy
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
Objective: To detect automatically focal cortical dysplasia (FCD) type II in patients with extratemporal epilepsy initially diagnosed as MRI-negative on routine inspection of 1.5 and 3.0T scans. Methods: We implemented an automated classifier relying on surface-based features of FCD morphology and intensity, taking advantage of their covariance. The method was tested on 19 patients (15 with histologically confirmed FCD) scanned at 3.0T, and cross-validated using a leave-one-out strategy. We assessed specificity in 24 healthy controls and 11 disease controls with temporal lobe epilepsy. Cross-dataset classification performance was evaluated in 20 healthy controls and 14 patients with histologically verified FCD examined at 1.5T. Results: Sensitivity was 74%, with 100% specificity (i.e., no lesions detected in healthy or disease controls). In 50% of cases, a single cluster colocalized with the FCD lesion, while in the remaining cases a median of 1 extralesional cluster was found. Applying the classifier (trained on 3.0T data) to the 1.5T dataset yielded comparable performance (sensitivity 71%, specificity 95%). Conclusion: In patients initially diagnosed as MRI-negative, our fully automated multivariate approach offered a substantial gain in sensitivity over standard radiologic assessment. The proposed method showed generalizability across cohorts, scanners, and field strengths. Machine learning may assist presurgical decision-making by facilitating hypothesis formulation about the epileptogenic zone. Classification of evidence: This study provides Class II evidence that automated machine learning of MRI patterns accurately identifies FCD among patients with extratemporal epilepsy initially diagnosed as MRI-negative.
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 | 0,000 |
| 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 découle