DOI 10.21203/rs.3.rs-6214708/v1
Прогнозирование когниции с использованием расчетных структурных и функциональных сетей связи и искусственного интеллекта при множественном склерозе.
Аннотация
Наша предыдущая работа продемонстрировала, что расчетные структурные и функциональные коннектомы (eSC и eFC), генерируемые с помощью масок множественных склерозов (MS) и моделей искусственного интеллекта (AI), могут прогнозировать инвалидность так же эффективно, как СК и FC, полученные в результате распространения и функционального MRI в MS. Цель этого исследования заключалась в том, чтобы оценить возможности ЭСК и ЭФУ в прогнозировании исходных условий и 4-year :: последующее когнитивное распознавание у пациентов с синдромом MS. Инструмент для модификации сети был разработан для оценки СК на основе клинических масок с повреждениями, полученных с помощью MRI. Затем eSC был использован в качестве вклада в Krakencoder, модель энкодер-декодера, для оценки FC. Самая высокая точность была получена при прогнозировании последующего испытания с использованием символа Digit Measures (SDMT) с использованием регионального eSC или eFC с средней корреляцией Cprearman: 0.58 для ЭСК и 0.56 eFC, который выше или аналогичен другим исследованиям, в которых предсказывалось когнитивное восприятие здоровых и больных когорт. Сокращение ЭСК и ЭФУ в мозжечке и увеличение ЭФУ в сети по умолчанию связаны с более низкими последующими оценками ССРМ. Наши выводы показывают, что ЭСК и ЭФУ, полученные на основе клинически приобретенных моделей МРТ и ИИ, могут эффективно прогнозировать когнитивное восприятие. Использование основанных на повреждениях оценок сбоев в коннектоме может потенциально улучшить индивидуальное планирование лечения, связанное с когнитивированием.
Название и аннотация на языке оригинала
Predicting cognition using estimated structural and functional connectivity networks and artificial intelligence in multiple sclerosis.
Our prior work demonstrated that estimated structural and functional connectomes (eSC and eFC) generated using multiple sclerosis (MS) lesion masks and artificial intelligence (AI) models can predict disability as effectively as SC and FC derived from diffusion and functional MRI in MS. The goal of this study was to assess the ability of eSC and eFC in predicting baseline and 4-year follow-up cognition in MS patients. The Network Modification tool was performed to estimate SC from the clinical MRI-derived lesion masks. The eSC was then used as an input to Krakencoder, an encoder-decoder model, to estimate FC. The highest accuracy was obtained when predicting the follow-up Symbol Digit Modalities Test (SDMT) using regional eSC or eFC with a median Spearman's correlation of 0.58 for eSC and 0.56 for eFC, which is higher or similar to other studies that predicted cognition in healthy and diseased cohorts. Decreased eSC and eFC in the cerebellum and increased eFC in the default mode network were associated with lower follow-up SDMT scores. Our findings demonstrate that eSC and eFC derived from clinically acquired MRI and AI models can effectively predict cognition. The use of lesion-based estimates of connectome disruptions may potentially improve cognition-related individualized treatment planning.
Полный текст на русском
Машинный перевод · не проверен
Полный текст Полный текст этого предварительного отпечатка доступен в виде PDF (PDF).4.5 БМ). Скоро будет доступна версия веб-сайта.
Полный текст источника
This work is licensed under a Creative Commons Attribution 4.0 International License , which allows reusers to distribute, remix, adapt, and build upon the material in any medium or format, so long as attribution is given to the creator. The license allows for commercial use.
The Full Text of this preprint is available as a PDF (4.5 MB). The Web version will be available soon.
Подготовка и перевод публикации
Обработка статьи · этапы, ошибки и управление
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Тип публикации указан по данным источника. Уровень доказательности автоматически не присваивается.