Metric Distances between Hippocampal Shapes Indicate Different Rates of Change over Time in Nondemented and Demented Subjects
Notice bibliographique
Résumé
In this article, we use longitudinal morphometry (shape and size) measures of hippocampus in subjects with mild dementia of Alzheimer type (DAT) and nondemented controls in logistic discrimination. The morphometric measures we use are volume and metric distance measures at baseline and follow-up (two years apart from baseline). Morphometric differences with respect to a template hippocampus were measured by the metric distance obtained from the large deformation diffeomorphic metric mapping (LDDMM) algorithm. LDDMM assigns metric distances on the space of anatomical images, thereby allowing for the direct comparison and quantization of morphometric changes. We also apply principal component analysis (PCA) on volume and metric distance measures to obtain principal components that capture some salient aspect of morphometry. We construct classifiers based on logistic regression to distinguish diseased and healthy hippocampi (hence potentially diagnose the mild form of DAT). We consider logistic classifiers based on volume and metric distance change over time (from baseline to follow-up), on the raw volumes and metric distances, and on principal components from various types of PCA analysis. We provide a detailed comparison of the performance of these classifiers and guidelines for their practical use. Moreover, combining the information conveyed by volume and metric distance measures by PCA can provide a better biomarker for detection of dementia compared to volume, metric distance, or both.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 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 ».