Seed Location Impacts Whole-Brain Structural Network Comparisons between Healthy Elderly and Individuals with Alzheimer’s Disease
Notice bibliographique
Résumé
Whole-brain networks derived from diffusion tensor imaging (DTI) data require the identification of seed and target regions of interest (ROIs) to assess connectivity patterns. This study investigated how initiating tracts from gray matter (GM) or white matter (WM) seed ROIs impacts (1) structural networks constructed from DTI data from healthy elderly (control) and individuals with Alzheimer's disease (AD) and (2) between-group comparisons using these networks. DTI datasets were obtained from the Alzheimer's disease Neuroimaging Initiative database. Deterministic tractography was used to build two whole-brain networks for each subject; one in which tracts were initiated from WM ROIs and another in which they were initiated from GM ROIs. With respect to the first goal, in both groups, WM-seeded networks had approximately 400 more connections and stronger connections (as measured by number of streamlines per connection) than GM-seeded networks, but shared 94% of the connections found in the GM-seed networks. With respect to the second goal, between-group comparisons revealed a stronger subnetwork (as measured by number of streamlines per connection) in controls compared to AD using both WM-seeded and GM-seeded networks. The comparison using WM-seeded networks produced a larger (i.e., a greater number of connections) and more significant subnetwork in controls versus AD. Global, local, and nodal efficiency were greater in controls compared to AD, and between-group comparisons of these measures using WM-seeded networks had larger effect sizes than those using GM-seeded networks. These findings affirm that seed location significantly affects the ability to detect between-group differences in structural networks.
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 | 0,000 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».