Brain Network Informed Subject Community Detection In Early-Onset Schizophrenia
Notice bibliographique
Résumé
Early-onset schizophrenia (EOS) offers a unique opportunity to study pathophysiological mechanisms and development of schizophrenia. Using 26 drug-naïve, first-episode EOS patients and 25 age- and gender-matched control subjects, we examined intrinsic connectivity network (ICN) deficits underlying EOS. Due to the emerging inconsistency between behavior-based psychiatric disease classification system and the underlying brain dysfunctions, we applied a fully data-driven approach to investigate whether the subjects can be grouped into highly homogeneous communities according to the characteristics of their ICNs. The resultant subject communities and the representative characteristics of ICNs were then associated with the clinical diagnosis and multivariate symptom patterns. A default mode ICN was statistically absent in EOS patients. Another frontotemporal ICN further distinguished EOS patients with predominantly negative symptoms. Connectivity patterns of this second network for the EOS patients with predominantly positive symptom were highly similar to typically developing controls. Our post-hoc functional connectivity modeling confirmed that connectivity strength in this frontotemporal circuit was significantly modulated by relative severity of positive and negative syndromes in EOS. This study presents a novel subtype discovery approach based on brain networks and proposes complex links between brain networks and symptom patterns in EOS.
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 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 | 0,005 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».