Using CForest to Analyze Diffusion Tensor Imaging Data: A Study of White Matter Integrity in Healthy Aging
Notice bibliographique
Résumé
Healthy aging has been associated with a global reduction in white matter integrity, which is thought to reflect cognitive decline. The present study aimed to investigate this reduction over a broad range of the life span, using diffusion tensor imaging analyzed with conditional inference random forest modeling (CForest). This approach is sensitive to subtle and potentially nonlinear effects over the age continuum and was used to characterize the progression of decline in greater detail than has been possible in the past. Data were collected from 45 healthy individuals ranging in age from 19 to 67 years. Fractional anisotropy (FA) was estimated using probabilistic tractography for a number of major tracts across the brain. Age coincided with a nonlinear decrease in FA, with onset beginning at ∼30 years of age and the steepest declines occurring later in life. However, several tracts showed a transient increase before this decline. The progression of decline varied by tract, with steeper but later decline occurring in more anterior tracts. Finally, strongly right-handed individuals demonstrated relatively preserved FA until more than a decade following the onset of decline of others. These results demonstrate that using a novel, nonparametric analysis approach, previously reported reductions in FA with healthy aging were confirmed, while at the same time, new insight was provided into the onset and progression of decline, with evidence suggesting increases in integrity continuing into adulthood.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».