Multimodal MRI-based Stratification of Motor Phenotypes in Parkinson's Disease
Notice bibliographique
Résumé
Selv om Parkinsons sykdom ble beskrevet for over 200 år siden, er dens kliniske heterogenitet fortsatt ukjent. Forskning søker nå å stratifisere sykdommen ved å identifisere pasientgrupper med ulike kliniske egenskaper. Denne oppgaven undersøker multimodal magnetresonanstomografis potensiale til å skille mellom pasienter med Parkinsons sykdom og friske kontroller, samt skille mellom pasienter med postural instabilitet og gangvansker, og tremor-dominant motorisk fenotype. 76 deltakere, inkludert 58 pasienter med Parkinsons sykdom (27 med postural instabilitet og gangvansker, og 20 tremor-dominante) og 18 friske kontroller, ble rekruttert fra Haukeland universitetssykehus. Strategically aquired gradient echo imaging genererte bilder og maps basert på to trippel-echo sekvenser med ulike flippvinkler. Fem maskinlæringsmodeller, inkludert XGBoost, ble brukt til klassifiseringen med gjennomsnittsintensiteter av substantia nigra pars compacta og locus coeruleus som features. XGBoost viste god evne til å skille mellom pasienter med Parkinsons sykdom og friske kontroller (F1 score: 0.84, precision: 0.86, recall: 0.85). Videre viste XGBoost høy diskriminerende kraft til å skille mellom pasienter med postural instabilitet og gangvansker, og tremor-dominante pasienter (F1 score: 0.69, precision: 0.71, recall: 0.70). Denne oppgaven demonstrerte at multimodal magnetisk resonanstomografi kan brukes til å skille pasienter med Parkinsons sykdom fra friske kontroller, samt skille mellom pasienter med postural instabilitet og gangvansker, og tremor-dominante pasienter. Locus coeruleus i simGRE-bildet fremtrer lovende for å skille pasienter med Parkinsons sykdom fra friske kontroller, særlig i kombinasjon med Brief Smell Identification Test score. Potensielle biomarkører for å skille postural instabilitet og gangvansker fra tremor-dominant inkluderer substantia nigra pars compacta og locus coeruleus i simDIR GM-bildet, substantia nigra pars compacta i simDIR WM-bildet og Montreal Cognitive Assessment score.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».