Automated Hippocampal Subfield Measures as Predictors of Conversion from Mild Cognitive Impairment to Alzheimer’s Disease in Two Independent Cohorts
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
Previous studies have shown that hippocampal subfields may be differentially affected by Alzheimer's disease (AD). This study used an automated analysis technique and two large cohorts to (1) investigate patterns of subfield volume loss in mild cognitive impairment (MCI) and AD, (2) determine the pattern of subfield volume loss due to age, gender, education, APOE ε4 genotype, and neuropsychological test scores, (3) compare combined subfield volumes to hippocampal volume alone at discriminating between AD and healthy controls (HC), and predicting future MCI conversion to AD at 12 months. 1,069 subjects were selected from the AddNeuroMed and Alzheimer's disease neuroimaging initiative (ADNI) cohorts. Freesurfer was used for automated segmentation of the hippocampus and hippocampal subfields. Orthogonal partial least squares to latent structures (OPLS) was used to train models on AD and HC subjects using one cohort for training and the other for testing and the combined cohort was used to predict MCI conversion. MANCOVA and linear regression analyses showed multiple subfield volumes including Cornu Ammonis 1 (CA1), subiculum and presubiculum were atrophied in AD and MCI and were related to age, gender, education, APOE ε4 genotype, and neuropsychological test scores. For classifying AD from HC, combined subfield volumes achieved comparable classification accuracy (81.7%) to total hippocampal (80.7%), subiculum (81.2%) and presubiculum (80.6%) volume. For predicting MCI conversion to AD combined subfield volumes and presubiculum volume were more accurate (81.1%) than total hippocampal volume. (76.7%).
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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