Effectiveness of regional DTI measures in distinguishing Alzheimer's disease, MCI, and normal aging
Notice bibliographique
Résumé
The Alzheimer's Disease Neuroimaging Initiative (ADNI) recently added diffusion tensor imaging (DTI), among several other new imaging modalities, in an effort to identify sensitive biomarkers of Alzheimer's disease (AD). While anatomical MRI is the main structural neuroimaging method used in most AD studies and clinical trials, DTI is sensitive to microscopic white matter (WM) changes not detectable with standard MRI, offering additional markers of neurodegeneration. Prior DTI studies of AD report lower fractional anisotropy (FA), and increased mean, axial, and radial diffusivity (MD, AxD, RD) throughout WM. Here we assessed which DTI measures may best identify differences among AD, mild cognitive impairment (MCI), and cognitively healthy elderly control (NC) groups, in region of interest (ROI) and voxel-based analyses of 155 ADNI participants (mean age: 73.5 ± 7.4; 90 M/65 F; 44 NC, 88 MCI, 23 AD). Both VBA and ROI analyses revealed widespread group differences in FA and all diffusivity measures. DTI maps were strongly correlated with widely-used clinical ratings (MMSE, CDR-sob, and ADAS-cog). When effect sizes were ranked, FA analyses were least sensitive for picking up group differences. Diffusivity measures could detect more subtle MCI differences, where FA could not. ROIs showing strongest group differentiation (lowest p-values) included tracts that pass through the temporal lobe, and posterior brain regions. The left hippocampal component of the cingulum showed consistently high effect sizes for distinguishing groups, across all diffusivity and anisotropy measures, and in correlations with cognitive scores.
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 | 0,013 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».