IC‐P‐130: Morphometric Cortical Normative Data Throughout Aging
Notice bibliographique
Résumé
Structural neuroimaging data from cognitively healthy individuals across the lifespan are necessary if one is to assess deviation from normality. Unfortunately, such normative data are found lacking, especially in such a form as to be widely applicable, allowing cross-studies comparisons. Our objective was to produce normative values for regional cortical surfaces, thicknesses and volumes using a large sample of cognitively healthy adults and a free, widely available segmentation technique. We merged 3D T1-weighted MRI scans from 2,194 healthy adults (1,078 women; 49.1%) aged 18 to 94 years old (mean: 49.6; SD: 20.9). Data originated from fifteen datasets (Table 1). We used FreeSurfer (Version 5.3) to extract cortical surfaces, thicknesses, and volumes based on the “Desikan–Killiany–Tourville” (DKT) cortical atlas containing 31 bilateral subdivisions. We generated predictive models for each region with age, sex, intracranial volume (TIV), magnetic field strength (MFS), and manufacturer as predictors. Predictors’ selection was based on the predicted residual sum of squares statistic using a 10-fold cross-validation. The mean R of the 186 cortical measures revealed that the predictors explained a substantial amount of variance (.40). The mean R of each predictor showed that age (.17), sex (.08), and TIV (.12) explained most of the variance while MFS (.01), manufacturer (.02) and interactions between predictors (.01) explained only a limited amount. We report results for both hemisphere of the cortex as examples (formulas are included in Table 2). R for surface (L: .76, R: .77), thickness (L: .46, R: .44), and volumes (L: .80, R: .80) were considerably larger than that for cortical regional models. The strongest effects were TIV (L: .35, R: .35) and sex (R: L: .24, R: .25) for surface, age (R: L: .40, R: .39) and MFS (L: .02, R: 02) for thickness, and age (L: .38, R: .38) and TIV (L: .23, R: .23) for volume. Figure 1 displays age and sex effects on each measure.
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 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,004 |
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 ».