Quantifying White Matter Hyperintensities: Automated Volumetry Compared with Visual Grading Scales
Notice bibliographique
Résumé
Background and objectives. White matter hyperintensities (WMHs) on brain magnetic resonance imaging (MRI) are linked to cognitive decline, but clinical assessment still relies mainly on visual grading (Fazekas), which is coarse and rater-dependent. We described the lesion volume of WMHs and the association of the anatomical distribution with the severity of cognitive impairment using automated lesion analysis. In addition, we evaluated whether automated volumetric quantification is more strongly associated with cognitive performance than visual grading. Materials and Methods. In a retrospective cross-sectional study, forty-one adults referred for cognitive concerns underwent standardised 3.0 tesla MRI. White matter hyperintensities were automatically segmented using Icometrix software to obtain total and regional volumes (periventricular, subcortical, brainstem, cerebellum). Visual grading used the Fazekas scale separately for periventricular and deep white matter, with a combined grade defined by the higher of the two. Cognitive performance was grouped based on the Montreal Cognitive Assessment (MoCA) into high (≥26), moderate (18–25), and low (≤17). Statistics included Spearman’s correlation and the Kruskal–Wallis test with Dunn’s post hoc test where applicable. Results. Higher total white matter hyperintensity volume was associated with lower Montreal Cognitive Assessment scores and showed significant differences across cognitive groups. The Fazekas combined grade correlated more weakly with the MoCA score. Regional volumetric differences showed trends, but were not statistically significant. Total volumetric burden increased stepwise across combined Fazekas categories, supporting convergent validity between methods. Conclusions. Our study found that automated volumetric quantification provides a more objective, sensitive, and scalable measure of white matter hyperintensity burden than visual grading, aligns more closely with cognitive status, and is better suited for longitudinal monitoring and research endpoints.
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 | 0,010 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».