IC‐P‐163: Predicitng Alzheimer's disease–related cognition with cortical thickness correlations: A GLMNET approach
Notice bibliographique
Résumé
Alzheimer's disease (AD) has been proposed to be primarily a “disconnection syndrome”, whereby the progression of neurodegeneration propagates along cortical networks. Previously, we have introduced methods by which cognitive performance can be predicted from group-wise correlations in cortical thickness, derived from T1-weighted MRI. Here, we extend this basic approach using GLMNET, which allows all network edges to be analyzed in a single multivariate regression model, to yield a small set of edges which best predict the individual behavioural outcome. Cortical thickness estimates were obtained from T1-weighted images obtained from the ADNI-1 cohort. For each pair of regions (ROIs), a linear model was fitted for Normal Control (NC) subjects only. Residual error was computed from this model for all subjects. Using GLMNET, the resulting residuals were regressed against cognitive performance scores in a general linear model (GLM) including residuals from all pairs of ROIs i and j (Figure 1A). Cross-validation was performed by using different subsets of the NC group to fit and test the GLM. We demonstrate the approach using the Alzheimer's Disease Assessment Scale (ADAS-cog). GLMNET predicted ∼40% of the variance using residuals from ∼150 ROI pairs (Figure 1B). As shown in Figure 1C, the strongest coefficients were found for ROI pairs including entorhinal cortex (EC), middle temporal gyrus (MTG), superior parietal gyrus (SPG), precuneus (PCUN), postcentral lobule (PCL), and superior frontal gyrus (SFG).
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 | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».