Fusion analysis of first episode depression: Where brain shape deformations meet local composition of tissue
Notice bibliographique
Résumé
Computational neuroanatomical techniques that are used to evaluate the structural correlates of disorders in the brain typically measure regional differences in gray matter or white matter, or measure regional differences in the deformation fields required to warp individual datasets to a standard space. Our aim in this study was to combine measurements of regional tissue composition and of deformations in order to characterize a particular brain disorder (here, major depressive disorder). We use structural Magnetic Resonance Imaging (MRI) data from young adults in a first episode of depression, and from an age- and sex-matched group of non-depressed individuals, and create population gray matter (GM) and white matter (WM) tissue average templates using DARTEL groupwise registration. We obtained GM and WM tissue maps in the template space, along with the deformation fields required to co-register the DARTEL template and the GM and WM maps in the population. These three features, reflecting tissue composition and shape of the brain, were used within a joint independent-components analysis (jICA) to extract spatially independent joint sources and their corresponding modulation profiles. Coefficients of the modulation profiles were used to capture differences between depressed and non-depressed groups. The combination of hippocampal shape deformations and local composition of tissue (but neither shape nor local composition of tissue alone) was shown to discriminate reliably between individuals in a first episode of depression and healthy controls, suggesting that brain structural differences between depressed and non-depressed individuals do not simply reflect chronicity of the disorder but are there from the very outset.
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 | 0,001 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».